論文の概要: From Agnostic to Specific: Latent Preference Diffusion for Multi-Behavior Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2602.23132v1
• Date: Thu, 26 Feb 2026 15:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.759162
• Title: From Agnostic to Specific: Latent Preference Diffusion for Multi-Behavior Sequential Recommendation
• Title（参考訳）: マルチビヘイビアシークエンシャルレコメンデーションのための非依存的から特定的:潜在的選好拡散
• Authors: Ruochen Yang, Xiaodong Li, Jiawei Sheng, Jiangxia Cao, Xinkui Lin, Shen Wang, Shuang Yang, Zhaojie Liu, Tingwen Liu,
• Abstract要約: マルチビヘイビアシーケンシャルレコメンデーション(MBSR)は,ユーザのマルチビヘイビアシーケンスの動的および異種相互作用を学習することを目的としている。 最近の懸念は、行動修正から行動特異的なレコメンデーションへとシフトしている。 我々は、好み生成を導くフレームワークベースの拡散モデルである textbfFatsMB を提案する。
• 参考スコア（独自算出の注目度）: 28.437926520491445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-behavior sequential recommendation (MBSR) aims to learn the dynamic and heterogeneous interactions of users' multi-behavior sequences, so as to capture user preferences under target behavior for the next interacted item prediction. Unlike previous methods that adopt unidirectional modeling by mapping auxiliary behaviors to target behavior, recent concerns are shifting from behavior-fixed to behavior-specific recommendation. However, these methods still ignore the user's latent preference that underlying decision-making, leading to suboptimal solutions. Meanwhile, due to the asymmetric deterministic between items and behaviors, discriminative paradigm based on preference scoring is unsuitable to capture the uncertainty from low-entropy behaviors to high-entropy items, failing to provide efficient and diverse recommendation. To address these challenges, we propose \textbf{FatsMB}, a framework based diffusion model that guides preference generation \textit{\textbf{F}rom Behavior-\textbf{A}gnostic \textbf{T}o Behavior-\textbf{S}pecific} in latent spaces, enabling diverse and accurate \textit{\textbf{M}ulti-\textbf{B}ehavior Sequential Recommendation}. Specifically, we design a Multi-Behavior AutoEncoder (MBAE) to construct a unified user latent preference space, facilitating interaction and collaboration across Behaviors, within Behavior-aware RoPE (BaRoPE) employed for multiple information fusion. Subsequently, we conduct target behavior-specific preference transfer in the latent space, enriching with informative priors. A Multi-Condition Guided Layer Normalization (MCGLN) is introduced for the denoising. Extensive experiments on real-world datasets demonstrate the effectiveness of our model.
• Abstract（参考訳）: マルチビヘイビアシーケンシャルレコメンデーション (MBSR) は,ユーザの複数ビヘイビアシーケンスの動的および不均一な相互作用を学習し,次のインタラクション項目予測のためのターゲット行動下でのユーザの嗜好を捉えることを目的としている。 補助行動を対象行動にマッピングすることで一方向モデリングを採用する従来の方法とは異なり、最近の懸念は行動修正から行動特異的な推奨へとシフトしている。 しかし、これらの手法は、決定の根底にあるユーザの過度な好みを無視し、最適でない解決策をもたらす。 一方、項目と行動の非対称的決定性のため、選好スコアに基づく差別的パラダイムは、低エントロピー行動から高エントロピー項目への不確実性を捉え、効率的で多様な推奨を提供することができない。 これらの課題に対処するため、我々はフレームワークベースの拡散モデルである \textbf{F}rom Behavior-\textbf{A}gnostic \textbf{T}o Behavior-\textbf{S}pecific} を遅延空間に誘導し、多様かつ正確な \textit{\textbf{M}ulti-\textbf{B}ehavior Sequential Recommendation} を可能にする。 具体的には,マルチビヘイビア・オートエンコーダ (MBAE) を設計し,複数の情報融合に使用される行動認識型RoPE (BaRoPE) 内で,行動間の相互作用と協調を容易にする。 その後、潜在空間における行動特異的な嗜好伝達を行い、情報的先入観を豊かにする。 マルチコンディション誘導層正規化(MCGLN)を導入する。 実世界のデータセットに関する大規模な実験は、我々のモデルの有効性を実証している。

関連論文リスト

• Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
  本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。 具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
  論文  参考訳（メタデータ） (2025-11-24T04:10:46Z)
• User Invariant Preference Learning for Multi-Behavior Recommendation [27.939977213259766]
  We propose a user invariant preference learning for multi-behavior recommendation (UIPL)。 UIPLは、マルチビヘイビアインタラクションからユーザの本質的な関心を捉え、ノイズの導入を緩和することを目的としている。 4つの実世界のデータセットの実験では、UIPLが現在の最先端のメソッドを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-07-20T11:47:36Z)
• 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)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
  MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。 私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。 本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:13:36Z)
• 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)
• 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)
• 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)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。