論文の概要: EpicCBR: Item-Relation-Enhanced Dual-Scenario Contrastive Learning for Cold-Start Bundle Recommendation
- arxiv url: http://arxiv.org/abs/2602.11680v1
- Date: Thu, 12 Feb 2026 07:54:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.708081
- Title: EpicCBR: Item-Relation-Enhanced Dual-Scenario Contrastive Learning for Cold-Start Bundle Recommendation
- Title（参考訳）: EpicCBR:コールドスタートバンドルレコメンデーションのためのアイテム関連強化デュアルシナリオコントラスト学習
- Authors: Yihang Li, Zhuo Liu, Wei Wei,
- Abstract要約: コールドスタートバンドルレコメンデーションのためのマルチビューコントラスト学習フレームワークであるEpicCBRを提案する。
具体的には、アイテム関係を正確にマイニングし、ユーザプロファイルの構築に利用し、バンドルに関わりそうなユーザを特定します。
3つの人気のあるベンチマークで実施された実験では、EpicCBRは最先端よりも大きなマージンで優れていた。
- 参考スコア（独自算出の注目度）: 18.038980392263838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bundle recommendation aims to recommend a set of items to users for overall consumption. Existing bundle recommendation models primarily depend on observed user-bundle interactions, limiting exploration of newly-emerged bundles that are constantly created. It pose a critical representation challenge for current bundle methods, as they usually treat each bundle as an independent instance, while neglecting to fully leverage the user-item (UI) and bundle-item (BI) relations over popular items. To alleviate it, in this paper we propose a multi-view contrastive learning framework for cold-start bundle recommendation, named EpicCBR. Specifically, it precisely mine and utilize the item relations to construct user profiles, identifying users likely to engage with bundles. Additionally, a popularity-based method that characterizes the features of new bundles through historical bundle information and user preferences is proposed. To build a framework that demonstrates robustness in both cold-start and warm-start scenarios, a multi-view graph contrastive learning framework capable of integrating these diverse scenarios is introduced to ensure the model's generalization capability. Extensive experiments conducted on three popular benchmarks showed that EpicCBR outperforms state-of-the-art by a large margin (up to 387%), sufficiently demonstrating the superiority of the proposed method in cold-start scenario. The code and dataset can be found in the GitHub repository: https://github.com/alexlovecoding/EpicCBR.
- Abstract（参考訳）: Bundleのリコメンデーションは、全体的な消費のために、一連のアイテムをユーザに推奨することを目的としている。
既存のバンドルレコメンデーションモデルは、主に観察されたユーザとバンドルの相互作用に依存し、常に生成される新しいバンドルの探索を制限する。
通常、各バンドルを独立したインスタンスとして扱うが、一般的なアイテムに対するUI(user-item)とBI( bundle-item)の関係を完全に活用することを無視している。
そこで本稿では,コールドスタートバンドルレコメンデーションのためのマルチビューコントラスト学習フレームワークであるEpicCBRを提案する。
具体的には、アイテム関係を正確にマイニングし、ユーザプロファイルの構築に利用し、バンドルに関わりそうなユーザを特定します。
また,過去のバンドル情報やユーザ嗜好を通じて,新しいバンドルの特徴を特徴付ける人気ベースの手法を提案する。
コールドスタートシナリオとウォームスタートシナリオの両方で堅牢性を示すフレームワークを構築するために、モデルの一般化機能を保証するために、これらの多様なシナリオを統合することができるマルチビューグラフコントラスト学習フレームワークを導入している。
3つの一般的なベンチマークで実施された大規模な実験により、EpicCBRは最先端技術よりも387%も高いマージンを達成し、コールドスタートシナリオにおける提案手法の優位性を十分に証明した。
コードとデータセットはGitHubリポジトリ(https://github.com/alexlovecoding/EpicCBR)で見ることができる。
関連論文リスト
- Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation [2.115789253980982]
本稿では,各ユーザがコールドスタート課題に取り組むために,分散空間にバンドルを生成する新しい手法を提案する。
DisCoはパーソナライズされたDiffusionのバックボーンに依存しており、ユーザーの興味をゆがめられたアスペクトによって強化されている。
DisCoは3つの実世界のデータセットに対して大きなマージンで5つのベースラインを上回ります。
論文 参考訳（メタデータ） (2025-05-20T20:52:31Z) - Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts [20.922606156035197]
コールドスタートバンドルレコメンデーションは、レコメンデーションを提供するのに不十分な情報で新しいバンドルをモデリングすることに焦点を当てている。
コールドスタートバンドルレコメンデーションのための分割コンカレント戦略を採用した,新しい拡散エキスパート混合フレームワーク(MoDiffE)を提案する。
MoDiffEは、コールドスタートバンドルレコメンデーションの処理において、既存のソリューションよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-05-08T08:13:44Z) - Online Clustering of Dueling Bandits [59.09590979404303]
本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。
本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-04T07:55:41Z) - BRIDGE: Bundle Recommendation via Instruction-Driven Generation [2.115789253980982]
BRIDGEはバンドルレコメンデーションのための新しいフレームワークである。
これは2つの主要なコンポーネント、すなわち相関ベースのアイテムクラスタリングと擬似バンドル生成モジュールで構成されている。
その結果,5つのベンチマークデータセットにまたがる最先端のランキングベース手法よりも,モデルの優位性が検証された。
論文 参考訳（メタデータ） (2024-12-24T02:07:53Z) - Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning [1.901404011684453]
項目レベルの因果関係を強化した多視点学習を用いた新しいバンドルレコメンデーション手法である BunCa を提案する。
BunCaは、Coherent ViewとCohesive Viewという2つのビューを通じて、ユーザとバンドルの包括的な表現を提供する。
BunCaによる3つのベンチマークデータセットの実験は、この新しい研究の有効性を実証している。
論文 参考訳（メタデータ） (2024-08-13T07:05:27Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳（メタデータ） (2021-10-18T08:11:24Z) - Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。
特権グラフ蒸留モデル(PGD)を提案する。
提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
論文 参考訳（メタデータ） (2021-05-31T14:05:27Z) - 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) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-05-07T13:48:26Z)
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。