論文の概要: GrIT: Group Informed Transformer for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2602.19728v1
• Date: Mon, 23 Feb 2026 11:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.787218
• Title: GrIT: Group Informed Transformer for Sequential Recommendation
• Title（参考訳）: GrIT:シーケンシャルレコメンデーション用グループインフォームドトランス
• Authors: Adamya Shyam, Venkateswara Rao Kagita, Bharti Rana, Vikas Kumar,
• Abstract要約: 時系列リコメンデータシステムは,行動履歴から時間パターンを抽出することにより,ユーザの将来の関心を予測することを目的としている。 本稿では,各ユーザのグループへのアフィリエイトが,学習可能で時間変化のあるメンバシップ重みによってモデル化される潜在グループ表現を紹介する。 グループベース表現は、学習したメンバーシップスコアで潜在グループ埋め込みを重み付けすることによって導出される。
• 参考スコア（独自算出の注目度）: 2.631846982371029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommender systems aim to predict a user's future interests by extracting temporal patterns from their behavioral history. Existing approaches typically employ transformer-based architectures to process long sequences of user interactions, capturing preference shifts by modeling temporal relationships between items. However, these methods often overlook the influence of group-level features that capture the collective behavior of similar users. We hypothesize that explicitly modeling temporally evolving group features alongside individual user histories can significantly enhance next-item recommendation. Our approach introduces latent group representations, where each user's affiliation to these groups is modeled through learnable, time-varying membership weights. The membership weights at each timestep are computed by modeling shifts in user preferences through their interaction history, where we incorporate both short-term and long-term user preferences. We extract a set of statistical features that capture the dynamics of user behavior and further refine them through a series of transformations to produce the final drift-aware membership weights. A group-based representation is derived by weighting latent group embeddings with the learned membership scores. This representation is integrated with the user's sequential representation within the transformer block to jointly capture personal and group-level temporal dynamics, producing richer embeddings that lead to more accurate, context-aware recommendations. We validate the effectiveness of our approach through extensive experiments on five benchmark datasets, where it consistently outperforms state-of-the-art sequential recommendation methods.
• Abstract（参考訳）: 時系列リコメンデータシステムは,行動履歴から時間パターンを抽出することにより,ユーザの将来の関心を予測することを目的としている。 既存のアプローチでは、典型的にはトランスフォーマーベースのアーキテクチャを使用して、ユーザインタラクションの長いシーケンスを処理し、アイテム間の時間的関係をモデル化することで、好みのシフトをキャプチャする。 しかし,これらの手法は,類似ユーザの集団行動を捉えたグループレベルの特徴の影響を無視することが多い。 我々は、時間的に進化するグループ機能と個々のユーザ履歴を明示的にモデル化することで、次の項目の推薦を大幅に強化できると仮定する。 提案手法では,各ユーザのグループへのアフィリエイトは,学習可能な時間変化によるメンバシップの重み付けによってモデル化される。 各タイムステップにおけるメンバシップの重み付けは、相互作用履歴を通じてユーザの好みの変化をモデル化することで計算される。 ユーザ行動のダイナミクスを捉える統計的特徴の集合を抽出し、さらに一連の変換によってそれらを洗練し、最終的なドリフト対応メンバーシップ重みを生成する。 グループベース表現は、学習したメンバーシップスコアで潜在グループ埋め込みを重み付けすることによって導出される。 この表現は、トランスフォーマーブロック内のユーザのシーケンシャルな表現と統合され、個人レベルとグループレベルの時間的ダイナミクスを共同でキャプチャし、より正確なコンテキスト対応のレコメンデーションを生み出す。 提案手法の有効性を,5つのベンチマークデータセットを用いた広範囲な実験により検証し,最新のシーケンシャルレコメンデーション手法より一貫して優れていることを示す。

関連論文リスト

• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• 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)
• Continuous-Time User Preference Modelling for Temporal Sets Prediction [32.35733523016208]
  時間集合予測のための連続時間ユーザ嗜好モデリングフレームワークを提案する。 まず、ユーザ-セットのインタラクションを非退行時間順序でアレンジすることで、普遍的なシーケンスを構築する。 各インタラクションに対して,現在符号化されているメッセージと過去の記憶に基づいて,関連するユーザおよび要素の記憶を継続的に更新する。
  論文  参考訳（メタデータ） (2022-04-12T02:49:27Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• 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)
• 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)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。