論文の概要: AlphaFree: Recommendation Free from Users, IDs, and GNNs

• arxiv url: http://arxiv.org/abs/2603.02653v1
• Date: Tue, 03 Mar 2026 06:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.669416
• Title: AlphaFree: Recommendation Free from Users, IDs, and GNNs
• Title（参考訳）: AlphaFree: ユーザ、ID、GNNからの推奨は無料
• Authors: Minseo Jeon, Junwoo Jung, Daewon Gwak, Jinhong Jung,
• Abstract要約: 我々は,ユーザ,ID,GNNの自由な新規レコメンデーション手法であるAlphaFreeを提案する。 本研究の主な目的は,ユーザ埋め込み(ユーザフリー)を伴わず,事前学習した言語モデル(IDフリー)から生のIDを言語表現(LR)に置き換えること,GNN(GNNフリー)を使わずに,類似の項目と対照的な学習による協調的信号の獲得である。
• 参考スコア（独自算出の注目度）: 3.488204158798457
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Can we design effective recommender systems free from users, IDs, and GNNs? Recommender systems are central to personalized content delivery across domains, with top-K item recommendation being a fundamental task to retrieve the most relevant items from historical interactions. Existing methods rely on entrenched design conventions, often adopted without reconsideration, such as storing per-user embeddings (user-dependent), initializing features from raw IDs (ID-dependent), and employing graph neural networks (GNN-dependent). These dependencies incur several limitations, including high memory costs, cold-start and over-smoothing issues, and poor generalization to unseen interactions. In this work, we propose AlphaFree, a novel recommendation method free from users, IDs, and GNNs. Our main ideas are to infer preferences on-the-fly without user embeddings (user-free), replace raw IDs with language representations (LRs) from pre-trained language models (ID-free), and capture collaborative signals through augmentation with similar items and contrastive learning, without GNNs (GNN-free). Extensive experiments on various real-world datasets show that AlphaFree consistently outperforms its competitors, achieving up to around 40% improvements over non-LR-based methods and up to 5.7% improvements over LR-based methods, while significantly reducing GPU memory usage by up to 69% under high-dimensional LRs.
• Abstract（参考訳）: ユーザ、ID、GNNから解放された効果的なレコメンデータシステムを設計できるだろうか? レコメンダシステムは、ドメイン間のパーソナライズされたコンテンツ配信の中心であり、トップKアイテムレコメンデーションは、歴史的相互作用から最も関連性の高いアイテムを取得するための基本的なタスクである。 既存の手法では、ユーザ毎の埋め込み(ユーザ依存)の保存、生のID(ID依存)の初期化、グラフニューラルネットワーク(GNN依存)の活用など、再検討の必要な設計規則に依存している。 これらの依存関係には、高いメモリコスト、コールドスタートとオーバースムースな問題、目に見えないインタラクションへの一般化の欠如など、いくつかの制限がある。 そこで本研究では,ユーザ,ID,GNNを対象とする新たなレコメンデーション手法であるAlphaFreeを提案する。 本研究の主な考え方は,ユーザ埋め込み(ユーザフリー)を使わずに,事前学習した言語モデル(IDフリー)から生のIDを言語表現(LR)に置き換え,類似項目の強化や,GNN(GNNフリー)を使わずにコントラスト学習を通じて協調的な信号をキャプチャすることである。 さまざまな実世界のデータセットに対する大規模な実験により、AlphaFreeは競争相手を一貫して上回り、LRベースのメソッドよりも最大40%改善され、LRベースのメソッドよりも最大5.7%改善され、高次元のLRではGPUメモリ使用量が最大69%削減された。

関連論文リスト

• Beyond Interactions: Node-Level Graph Generation for Knowledge-Free Augmentation in Recommender Systems [2.3759432635713895]
  本研究は,詳細なノードレベルのグラフ生成をレコメンデーションに適用可能な,知識のない拡張フレームワークを提案する。 NodeDiffRecは擬似イテムとそれに対応するインジェクションの分布を合成することによって、外部の知識なしに、セマンティックな多様性と構造的な接続性の両方を劇的に向上させる。
  論文  参考訳（メタデータ） (2025-07-28T07:22:06Z)
• ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation) [47.31312886129455]
  3つの標準レコメンデーションデータセットと、6つの最先端のGNNベースのレコメンデーションシステムに対して実験を行う。 Amazon Bookの従来の静的リンク予測タスクに対する予備的なテストは、ContextGNNがまだ改善の余地があることを実証した。
  論文  参考訳（メタデータ） (2025-03-20T19:17:09Z)
• RecLM: Recommendation Instruction Tuning [17.780484832381994]
  本稿では,大規模言語モデルと協調フィルタリングをシームレスに統合するモデル非依存の指導訓練パラダイムを提案する。 提案した$underlineRec$ommendationは、慎重に設計された強化学習報酬関数により、ユーザの好みの多様性を捕捉する。
  論文  参考訳（メタデータ） (2024-12-26T17:51:54Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Source-Free Domain Adaptation for SSVEP-based Brain-Computer Interfaces [0.45880283710344055]
  SSVEPベースのBCIスペルは、迅速なコミュニケーションを可能にすることで、発話困難を経験する個人を支援する。 高い情報伝達率(ITR)を達成するには、システムを使用する前に広範囲の校正期間が必要となる。 我々は、ソースドメインのデータに基づいて事前訓練された強力なディープニューラルネットワーク(DNN)を適用する新しい手法を提案し、この問題に対処する。
  論文  参考訳（メタデータ） (2023-05-27T08:02:46Z)
• Multi-blank Transducers for Speech Recognition [49.6154259349501]
  提案手法では,出力時に2つ以上の入力フレームを消費する空白記号を新たに導入する。 付加記号を大きなブランク、マルチブランクRNN-Tと呼ぶ。 複数の言語とデータセットの実験により、マルチブランクRNN-T法は、相対速度が+90%/+139%以上になることを示した。
  論文  参考訳（メタデータ） (2022-11-04T16:24:46Z)
• Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
  大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。 自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。 言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
  論文  参考訳（メタデータ） (2022-08-11T17:41:08Z)
• 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)
• 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)
• Initialization Matters: Regularizing Manifold-informed Initialization for Neural Recommendation Systems [47.49065927541129]
  我々は、Laplacian Eigenmapsと呼ばれる、分離データ(LEPORID)に対する人気に基づく正規化を用いた新しいユーザ埋め込み方式を提案する。 LEPORIDは、データ多様体上のマルチスケール近傍構造に関する情報を埋め込みに付与し、データ分布の尾に高い埋め込み分散を補う適応正規化を行う。 我々は、LEPORIDを持つ既存のニューラルネットワークが、KNNと同等かそれ以上に動作することを示す。
  論文  参考訳（メタデータ） (2021-06-09T11:26:18Z)
• Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
  本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。 各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。 カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
  論文  参考訳（メタデータ） (2020-12-19T12:37:04Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)

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。