論文の概要: Boundary-Aware Multi-Behavior Dynamic Graph Transformer for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2602.10493v1
• Date: Wed, 11 Feb 2026 03:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.446814
• Title: Boundary-Aware Multi-Behavior Dynamic Graph Transformer for Sequential Recommendation
• Title（参考訳）: シーケンスレコメンデーションのための境界対応マルチビヘイビア動的グラフ変換器
• Authors: Jingsong Su, Xuetao Ma, Mingming Li, Qiannan Zhu, Yu Guo,
• Abstract要約: グラフ構造を動的に洗練する境界対応マルチビヘイビア動的グラフ変換器(MB-DGT)モデルを提案する。 本モデルでは,ユーザ嗜好モデリングのためのトランスフォーマーに基づく動的グラフアグリゲータを用いて,変更グラフ構造とユーザ行動のシーケンスを同調する。 モデル最適化のために,ユーザ固有の多行動損失関数を実装し,異なる行動間の利害境界を明確にし,ユーザ好みのパーソナライズされた学習を充実させる。
• 参考スコア（独自算出の注目度）: 12.787849159490067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the landscape of contemporary recommender systems, user-item interactions are inherently dynamic and sequential, often characterized by various behaviors. Prior research has explored the modeling of user preferences through sequential interactions and the user-item interaction graph, utilizing advanced techniques such as graph neural networks and transformer-based architectures. However, these methods typically fall short in simultaneously accounting for the dynamic nature of graph topologies and the sequential pattern of interactions in user preference models. Moreover, they often fail to adequately capture the multiple user behavior boundaries during model optimization. To tackle these challenges, we introduce a boundary-aware Multi-Behavioral Dynamic Graph Transformer (MB-DGT) model that dynamically refines the graph structure to reflect the evolving patterns of user behaviors and interactions. Our model involves a transformer-based dynamic graph aggregator for user preference modeling, which assimilates the changing graph structure and the sequence of user behaviors. This integration yields a more comprehensive and dynamic representation of user preferences. For model optimization, we implement a user-specific multi-behavior loss function that delineates the interest boundaries among different behaviors, thereby enriching the personalized learning of user preferences. Comprehensive experiments across three datasets indicate that our model consistently delivers remarkable recommendation performance.
• Abstract（参考訳）: 現代のレコメンデーションシステムのランドスケープでは、ユーザーとイテムの相互作用は本質的に動的でシーケンシャルであり、しばしば様々な振る舞いによって特徴づけられる。 従来の研究では、グラフニューラルネットワークやトランスフォーマーベースのアーキテクチャといった高度な技術を活用して、シーケンシャルな相互作用とユーザとイテムの相互作用グラフによるユーザ好みのモデリングについて検討してきた。 しかし、これらの手法は通常、グラフトポロジの動的性質とユーザー嗜好モデルにおける相互作用の逐次パターンを同時に考慮して、不足する。 さらに、モデル最適化中に複数のユーザの振る舞い境界を適切にキャプチャできないこともしばしばあります。 これらの課題に対処するために、ユーザ行動やインタラクションの進化パターンを反映したグラフ構造を動的に洗練する、境界対応マルチビヘイビア・ダイナミックグラフ変換器(MB-DGT)モデルを導入する。 本モデルでは,ユーザ嗜好モデリングのためのトランスフォーマーに基づく動的グラフアグリゲータを用いて,変更グラフ構造とユーザ行動のシーケンスを同調する。 この統合により、ユーザーの好みをより包括的でダイナミックに表現できる。 モデル最適化のために,ユーザ固有の多行動損失関数を実装し,異なる行動間の利害境界を明確にし,ユーザの好みのパーソナライズされた学習を充実させる。 3つのデータセットにわたる総合的な実験は、我々のモデルが常に顕著なレコメンデーションパフォーマンスを提供することを示している。

関連論文リスト

• BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation [15.457239237638985]
  BLADEは、データの分散を緩和しながらマルチ振る舞いモデリングを強化するフレームワークである。 入力レベルと中間レベルの両方で動作情報を組み込んだデュアルアイテム・ビヘイビア融合アーキテクチャを提案する。 3つの行動レベルのデータ拡張手法は、コアアイテムシーケンスではなく、振舞いシーケンスを直接操作する。
  論文  参考訳（メタデータ） (2025-12-15T04:02:53Z)
• Can We Predict the Next Question? A Collaborative Filtering Approach to Modeling User Behavior [16.241726074740082]
  大規模言語モデル(LLM)は、言語理解と生成に優れ、高度な対話とレコメンデーションシステムの動力となっている。 本稿では,言語モデリングと行動シーケンスモデリングのギャップを埋めるために,協調フィルタリングによる質問予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-17T04:01:20Z)
• Multi-Behavior Hypergraph-Enhanced Transformer for Sequential Recommendation [33.97708796846252]
  短期および長期のクロスタイプの振る舞い依存を捉えるために,新しいMBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)を導入する。 具体的には、多スケールトランスフォーマーは、細粒度および粗粒度から振舞い対応のシーケンシャルパターンを共同符号化するために、低ランクの自己アテンションを備える。
  論文  参考訳（メタデータ） (2022-07-12T15:07:21Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• 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)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• 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)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)

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。