論文の概要: Cross-Representation Knowledge Transfer for Improved Sequential Recommendations

• arxiv url: http://arxiv.org/abs/2602.23471v1
• Date: Thu, 26 Feb 2026 20:03:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.118109
• Title: Cross-Representation Knowledge Transfer for Improved Sequential Recommendations
• Title（参考訳）: シーケンスレコメンデーション改善のためのクロス表現知識伝達
• Authors: Artur Gimranov, Viacheslav Yusupov, Elfat Sabitov, Tatyana Matveeva, Anton Lysenko, Ruslan Israfilov, Evgeny Frolov,
• Abstract要約: 本稿では,変圧器とグラフニューラルネットワークを組み合わせた新しいフレームワークを提案する。 我々のソリューションは、相互作用グラフの構造的依存関係を同時にエンコードし、それらの動的変化を追跡する。 多くのオープンデータセットに対する実験結果から、提案フレームワークは、推奨品質の観点から、純粋シーケンシャルとグラフアプローチの両方を一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 0.5130440339897478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transformer architectures, capable of capturing sequential dependencies in the history of user interactions, have become the dominant approach in sequential recommender systems. Despite their success, such models consider sequence elements in isolation, implicitly accounting for the complex relationships between them. Graph neural networks, in contrast, explicitly model these relationships through higher order interactions but are often unable to adequately capture their evolution over time, limiting their use for predicting the next interaction. To fill this gap, we present a new framework that combines transformers and graph neural networks and aligns different representations for solving next-item prediction task. Our solution simultaneously encodes structural dependencies in the interaction graph and tracks their dynamic change. Experimental results on a number of open datasets demonstrate that the proposed framework consistently outperforms both pure sequential and graph approaches in terms of recommendation quality, as well as recent methods that combine both types of signals.
• Abstract（参考訳）: ユーザインタラクションの歴史におけるシーケンシャルな依存関係をキャプチャできるトランスフォーマーアーキテクチャは、シーケンシャルなレコメンデーションシステムにおいて支配的なアプローチとなっている。 彼らの成功にもかかわらず、そのようなモデルは配列要素を独立に考慮し、それら間の複雑な関係を暗黙的に説明する。 対照的に、グラフニューラルネットワークは、高次相互作用を通じてこれらの関係を明示的にモデル化するが、しばしば時間とともに進化を適切に捉えることができず、次の相互作用を予測するためにの使用を制限する。 このギャップを埋めるために,トランスフォーマーとグラフニューラルネットワークを組み合わせた新しいフレームワークを提案する。 我々のソリューションは、相互作用グラフの構造的依存関係を同時にエンコードし、それらの動的変化を追跡する。 多くのオープンデータセットに対する実験結果から,提案フレームワークは推奨品質の点で純粋シーケンシャルとグラフアプローチの両方を一貫して上回り,また,両タイプの信号を組み合わせた最近の手法も優れていることが示された。

関連論文リスト

• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• End-to-End Graph-Sequential Representation Learning for Accurate Recommendations [0.7673339435080445]
  本稿では,これら2つのパラダイムの相乗効果を利用した新しい多表現学習フレームワークを提案する。 いくつかのデータセットに対する実験的な評価から,提案フレームワークによる逐次的およびグラフ的コンポーネントの相互学習が推奨性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-03-01T15:32:44Z)
• EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction [39.66755326557846]
  本稿では,動的に進化する関係構造を明示的に推論したグループ認識型関係推論手法(Hypergraph)を提案する。 提案手法は, 説明可能な, 合理的なグループ認識関係を推定し, 長期予測における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-08-10T17:57:10Z)
• 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)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• 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)
• 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)

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。