論文の概要: DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2603.03782v1
• Date: Wed, 04 Mar 2026 06:43:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.209041
• Title: DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation
• Title（参考訳）: DisenReason: Shared-Account Sequential Recommendation における行動のゆがみと潜時推論
• Authors: Jiawei Cheng, Min Gao, Zongwei Wang, Xiaofei Zhu, Zhiyi Liu, Wentao Li, Wei Li, Huan Wu,
• Abstract要約: 既存の共有アカウントシーケンシャルレコメンデーション(SSR)メソッドは、アカウントごとに一定数の潜在ユーザを仮定する。 DisenReasonはSSRに適した2段階の推論手法である。 DisenReasonは、4つのベンチマークデータセットで、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 11.337464265237942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shared-account usage is common on streaming and e-commerce platforms, where multiple users share one account. Existing shared-account sequential recommendation (SSR) methods often assume a fixed number of latent users per account, limiting their ability to adapt to diverse sharing patterns and reducing recommendation accuracy. Recent latent reasoning technique applied in sequential recommendation (SR) generate intermediate embeddings from the user embedding (e.g, last item embedding) to uncover users' potential interests, which inspires us to treat the problem of inferring the number of latent users as generating a series of intermediate embeddings, shifting from inferring preferences behind user to inferring the users behind account. However, the last item cannot be directly used for reasoning in SSR, as it can only represent the behavior of the most recent latent user, rather than the collective behavior of the entire account. To address this, we propose DisenReason, a two-stage reasoning method tailored to SSR. DisenReason combines behavior disentanglement stage from frequency-domain perspective to create a collective and unified account behavior representation, which serves as a pivot for latent user reasoning stage to infer the number of users behind the account. Experiments on four benchmark datasets show that DisenReason consistently outperforms all state-of-the-art baselines across four benchmark datasets, achieving relative improvements of up to 12.56\% in MRR@5 and 6.06\% in Recall@20.
• Abstract（参考訳）: 共有アカウントの利用は、複数のユーザがひとつのアカウントを共有するストリーミングおよびEコマースプラットフォームで一般的である。 既存の共有アカウントシーケンシャルレコメンデーション(SSR)メソッドは、アカウントごとに一定数の潜在ユーザを仮定し、多様な共有パターンに適応する能力を制限し、レコメンデーションの精度を低下させる。 逐次レコメンデーション(SR)に適用された最近の潜時推論技術は、ユーザ埋め込み(例えば、最終項目の埋め込み)からユーザの潜在的関心を明らかにするために中間埋め込みを生成し、潜時ユーザの数を一連の中間埋め込みとして推測する問題を、ユーザの背後にある選好から、アカウントの背後にあるユーザを推測することへとシフトさせるきっかけとなる。 しかしながら、最後の項目は、アカウント全体の集団的振る舞いではなく、最新の潜在ユーザの振舞いのみを表現することができるため、SSRでの推論に直接使用することはできない。 そこで本稿では,SSRに適した2段階推論手法であるDisenReasonを提案する。 DisenReasonは、周波数領域の観点から振舞いの切り離しステージを結合し、一括して統一された口座振舞い表現を作成する。 4つのベンチマークデータセットの実験によると、DisenReasonは4つのベンチマークデータセットで一貫して最先端のベースラインを上回り、MRR@5で12.56倍、Recall@20で6.06倍の相対的な改善を達成している。

関連論文リスト

• SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
  本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。 我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2025-07-27T09:04:17Z)
• Leave No One Behind: Fairness-Aware Cross-Domain Recommender Systems for Non-Overlapping Users [13.420661387194148]
  クロスドメインレコメンデーション(CDR)メソッドは、重複するユーザを利用して、ソースドメインからターゲットドメインに知識を転送する。 本稿では,重複しないターゲットドメインユーザに対して,仮想ソースドメインユーザを生成する新しいソリューションを提案する。 本手法は,CDR非重複ユーザのバイアスを,全体的な精度を損なうことなく効果的に軽減する。
  論文  参考訳（メタデータ） (2025-07-23T17:59:08Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Customizing Language Models with Instance-wise LoRA for Sequential Recommendation [28.667247613039965]
  時系列レコメンデーションシステムは、ユーザの過去のインタラクションに基づいて次のインタラクション項目を予測し、個別の好みに合わせてレコメンデーションを調整する。 マルチタスク学習の一形態としてインスタンスワイドLoRA(iLoRA)を提案し、LoRAとMixture of Experts(MoE)フレームワークを統合する。 iLoRAは、トレーニング可能なパラメータの1%未満の相対的な増加で、基本的なLoRAよりも11.4%の平均的な相対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-08-19T17:09:32Z)
• i$^2$VAE: Interest Information Augmentation with Variational Regularizers for Cross-Domain Sequential Recommendation [5.300964409946611]
  i$2$VAEは、情報ベースレギュレータによるユーザ関心学習を強化する変分オートエンコーダである。 実験により、i$2$VAEは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-31T09:07:03Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Reinforcement Learning-enhanced Shared-account Cross-domain Sequential Recommendation [38.70844108264403]
  共有アカウント クロスドメインシークエンシャルレコメンデーション(SCSR)は、新たな課題である。 本稿では、基本クロスドメインレコメンデータと強化学習ベースドメインフィルタからなる強化学習ベースソリューション、すなわちRL-ISNを提案する。 提案手法の性能を評価するため,実世界の2つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-06-16T11:06:32Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)

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。