論文の概要: Towards Multi-Behavior Multi-Task Recommendation via Behavior-informed Graph Embedding Learning

• arxiv url: http://arxiv.org/abs/2601.07294v1
• Date: Mon, 12 Jan 2026 08:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.275964
• Title: Towards Multi-Behavior Multi-Task Recommendation via Behavior-informed Graph Embedding Learning
• Title（参考訳）: 行動インフォームドグラフ埋め込み学習によるマルチタスク推薦に向けて
• Authors: Wenhao Lai, Weike Pan, Zhong Ming,
• Abstract要約: マルチビヘイビアレコメンデーション(MBR)は、補助行動(例えば、クリック、お気に入り)を活用することにより、目標行動(購入)の性能を向上させることを目的としている。 現実のシナリオでは、レコメンデーションメソッドは、しばしば異なるタイプの振る舞いを処理し、各タスク(例えば、各行動タイプ)に対してパーソナライズされたリストを生成する必要がある。
• 参考スコア（独自算出の注目度）: 13.503641677199857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-behavior recommendation (MBR) aims to improve the performance w.r.t. the target behavior (i.e., purchase) by leveraging auxiliary behaviors (e.g., click, favourite). However, in real-world scenarios, a recommendation method often needs to process different types of behaviors and generate personalized lists for each task (i.e., each behavior type). Such a new recommendation problem is referred to as multi-behavior multi-task recommendation (MMR). So far, the most powerful MBR methods usually model multi-behavior interactions using a cascading graph paradigm. Although significant progress has been made in optimizing the performance of the target behavior, it often neglects the performance of auxiliary behaviors. To compensate for the deficiencies of the cascading paradigm, we propose a novel solution for MMR, i.e., behavior-informed graph embedding learning (BiGEL). Specifically, we first obtain a set of behavior-aware embeddings by using a cascading graph paradigm. Subsequently, we introduce three key modules to improve the performance of the model. The cascading gated feedback (CGF) module enables a feedback-driven optimization process by integrating feedback from the target behavior to refine the auxiliary behaviors preferences. The global context enhancement (GCE) module integrates the global context to maintain the user's overall preferences, preventing the loss of key preferences due to individual behavior graph modeling. Finally, the contrastive preference alignment (CPA) module addresses the potential changes in user preferences during the cascading process by aligning the preferences of the target behaviors with the global preferences through contrastive learning. Extensive experiments on two real-world datasets demonstrate the effectiveness of our BiGEL compared with ten very competitive methods.
• Abstract（参考訳）: マルチビヘイビアレコメンデーション(MBR)は、補助行動(例えば、クリック、お気に入り)を活用することで、目標行動(購入)のパフォーマンスを改善することを目的としている。 しかし、現実のシナリオでは、レコメンデーションメソッドは、異なるタイプの振る舞いを処理し、各タスク(例えば、各行動タイプ)に対してパーソナライズされたリストを生成する必要があることが多い。 このような新しいレコメンデーション問題はマルチ振る舞いマルチタスクレコメンデーション(MMR)と呼ばれる。 これまでのところ、最も強力なMBR法は、カスケードグラフのパラダイムを用いて、通常マルチ振る舞いの相互作用をモデル化している。 目標行動の最適化には大きな進歩があったが、補助行動のパフォーマンスを無視することがしばしばある。 カスケーディングパラダイムの欠陥を補うために,我々は,MMR,すなわちビヘイビアインフォームドグラフ埋め込み学習(BiGEL)のための新しいソリューションを提案する。 具体的には,まず,カスケードグラフのパラダイムを用いて,行動認識型埋め込みの集合を得る。 その後、モデルの性能を改善するために、3つの重要なモジュールを導入します。 カスケーディングゲートフィードバック(CGF)モジュールは、目標行動からのフィードバックを統合して、補助行動の嗜好を洗練することにより、フィードバック駆動の最適化プロセスを可能にする。 グローバルコンテキスト拡張(GCE)モジュールは、グローバルコンテキストを統合して、ユーザの全体的な嗜好を維持する。 最後に、コントラスト的嗜好アライメント(CPA)モジュールは、コントラスト的学習を通じて対象行動の嗜好とグローバルな嗜好を整合させることにより、カスケードプロセス中のユーザ嗜好の潜在的変化に対処する。 2つの実世界のデータセットに対する大規模な実験は、非常に競争力のある10の手法と比較して、我々のBiGELの有効性を実証している。

関連論文リスト

• Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
  本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。 本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。 実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-21T08:53:49Z)
• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• Combinatorial Optimization Perspective based Framework for Multi-behavior Recommendation [23.26102452699347]
  本稿では,COPF という最適化視点に基づく新しいマルチビヘイビア・レコメンデーション・フレームワークを提案する。 予測ステップでは,複数の専門家の生成と集約において,前向きと後向きの両方の伝搬を改善する。 3つの実世界のデータセットの実験は、COPFの優位性を示している。
  論文  参考訳（メタデータ） (2025-02-04T11:19:47Z)
• HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
  マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。 まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
  論文  参考訳（メタデータ） (2024-12-19T02:57:02Z)
• Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation [30.715182718492244]
  本稿では,マルチビヘイビア・レコメンデーションのためのビヘイビア・コンテクスチュアライズド・アイテム・プライオリティ・モデリング(BCIPM)を提案する。 提案する行動文脈化項目選好ネットワークは,それぞれの行動の中でユーザの特定の項目選好を識別し,学習する。 その後、最終勧告の目的行動に関連する嗜好のみを考慮し、補助行動からノイズを著しく低減する。
  論文  参考訳（メタデータ） (2024-04-28T12:46:36Z)
• Multi-behavior Self-supervised Learning for Recommendation [36.42241501002167]
  本稿では,適応最適化手法とともに,MBSSL(Multi-Behavior Self-Supervised Learning)フレームワークを提案する。 具体的には、行動多重度と依存性をキャプチャする自己認識機構を組み込んだ行動認識型グラフニューラルネットワークを考案する。 5つの実世界のデータセットの実験は、MBSSLが10の最先端技術(SOTA)ベースライン上で得た一貫した改善を示している。
  論文  参考訳（メタデータ） (2023-05-22T15:57:32Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Multi-view Multi-behavior Contrastive Learning in Recommendation [52.42597422620091]
  マルチビヘイビアレコメンデーション(MBR)は、目標行動のパフォーマンスを改善するために、複数の振る舞いを共同で検討することを目的としている。 本稿では,新しいマルチビヘイビア・マルチビュー・コントラスト学習勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:13:28Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。