論文の概要: Frequency-aware Adaptive Contrastive Learning for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2601.17057v1
• Date: Thu, 22 Jan 2026 06:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.104804
• Title: Frequency-aware Adaptive Contrastive Learning for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのための周波数認識適応型コントラスト学習
• Authors: Zhikai Wang, Weihua Zhang,
• Abstract要約: FACLは、マイクロレベルの適応摂動を導入し、稀なアイテムの完全性を保護する周波数対応型適応型コントラスト学習フレームワークである。 5つの公開ベンチマークデータセットの実験により、FACLは最先端のデータ拡張とモデル拡張ベースの手法を一貫して上回っていることが示された。 きめ細かい分析により、FACLは低周波アイテムやユーザのパフォーマンス低下を著しく軽減することを確認した。
• 参考スコア（独自算出の注目度）: 8.384470430192875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we revisited the role of data augmentation in contrastive learning for sequential recommendation, revealing its inherent bias against low-frequency items and sparse user behaviors. To address this limitation, we proposed FACL, a frequency-aware adaptive contrastive learning framework that introduces micro-level adaptive perturbation to protect the integrity of rare items, as well as macro-level reweighting to amplify the influence of sparse and rare-interaction sequences during training. Comprehensive experiments on five public benchmark datasets demonstrated that FACL consistently outperforms state-of-the-art data augmentation and model augmentation-based methods, achieving up to 3.8% improvement in recommendation accuracy. Moreover, fine-grained analyses confirm that FACL significantly alleviates the performance drop on low-frequency items and users, highlighting its robust intent-preserving ability and its superior applicability to real-world, long-tail recommendation scenarios.
• Abstract（参考訳）: 本稿では、コントラスト学習におけるデータ強化の役割を再考し、低頻度項目に対する固有のバイアスを明らかにし、ユーザ行動の疎さを明らかにした。 この制限に対処するため,周波数対応適応型コントラスト学習フレームワークであるFACLを提案し,マイクロレベルの適応的摂動を導入し,レアアイテムの完全性を保護するとともに,トレーニング中のスパースシーケンスとレアインタラクションシーケンスの影響を増幅するマクロレベルの再重み付けを行った。 5つの公開ベンチマークデータセットに関する総合的な実験により、FACLは最先端のデータ拡張とモデル拡張ベースの手法を一貫して上回り、推奨精度を最大3.8%改善することを示した。 さらに、FACLは低頻度項目やユーザのパフォーマンス低下を著しく軽減し、その堅牢なインテント保存能力と、現実世界のロングテールレコメンデーションシナリオへの優れた適用性を強調した。

関連論文リスト

• Simple and Behavior-Driven Augmentation for Recommendation with Rich Collaborative Signals [8.795723755279493]
  本稿では, パーソナライズされたレコメンデーションのためのグラフ協調フィルタリング(GCF)の有効性を最大化するために, SCAR(Simple Collaborative Augmentation for Recommendation)を提案する。 情報を削除する代わりに、SCARはユーザとテムのインタラクションから抽出された協調シグナルを利用して擬似インタラクションを生成し、既存のインタラクションに追加されたり、置き換えられたりする。
  論文  参考訳（メタデータ） (2025-11-01T07:36:59Z)
• Barlow Twins for Sequential Recommendation [3.066878488495023]
  逐次レコメンデーションモデルは、疎結合データの人気バイアスと、精度と多様性といった相反する目標をナビゲートする必要があります。 本稿では,Borlow Twinsの冗長性原理をTransformerベースのnextitemレコメンデータに統合する,新しい非競合SSLフレームワークBT-SRを紹介する。
  論文  参考訳（メタデータ） (2025-10-30T11:56:02Z)
• Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective [48.60281642851056]
  レコメンデーションシステムでは、ユーザーはブラウジング、クリック、購入などの複数の行動を示すことが多い。 いくつかの行動データは、ユーザー興味のモデリングにも避けられないノイズをもたらします。 これらの研究は、低周波情報は価値があり信頼性が高い傾向にあり、高周波情報はしばしばノイズと関連していることを示している。
  論文  参考訳（メタデータ） (2025-08-28T04:55:02Z)
• A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
  遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。 本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T14:09:39Z)
• Dynamic Noise Preference Optimization for LLM Self-Improvement via Synthetic Data [51.62162460809116]
  我々は、イテレーション間で一貫した改善を保証するために、動的ノイズ優先最適化(DNPO)を導入します。 Zephyr-7Bでの実験では、DNPOは既存の手法を一貫して上回り、平均性能は2.6%向上した。 DNPOは、GPT-4評価のベースラインに比べて29.4%のウィンロス率差で、モデル生成データの品質が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-02-08T01:20:09Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)

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。