論文の概要: Debiasing Sequential Recommendation with Time-aware Inverse Propensity Scoring
- arxiv url: http://arxiv.org/abs/2603.04986v1
- Date: Thu, 05 Mar 2026 09:25:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.166617
- Title: Debiasing Sequential Recommendation with Time-aware Inverse Propensity Scoring
- Title（参考訳）: 時間認識逆重み付けによる逐次勧告の回避
- Authors: Sirui Huang, Jing Long, Qian Li, Guandong Xu, Qing Li,
- Abstract要約: 時系列レコメンデーション(Sequential Recommendation)は,ユーザの履歴行動の時間的順序をモデル化することによって,次のインタラクションを予測する。
ユーザの好みをより正確に捉えるために,TIPS(Time aware Inverse Propensity Scoring)を提案する。
TIPSは、様々なシーケンシャルなレコメンデーションのプラグインとしてのレコメンデーションパフォーマンスを一貫して向上させる。
- 参考スコア（独自算出の注目度）: 14.934335528596067
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sequential Recommendation (SR) predicts users next interactions by modeling the temporal order of their historical behaviors. Existing approaches, including traditional sequential models and generative recommenders, achieve strong performance but primarily rely on explicit interactions such as clicks or purchases while overlooking item exposures. This ignorance introduces selection bias, where exposed but unclicked items are misinterpreted as disinterest, and exposure bias, where unexposed items are treated as irrelevant. Effectively addressing these biases requires distinguishing between items that were "not exposed" and those that were "not of interest", which cannot be reliably inferred from correlations in historical data. Counterfactual reasoning provides a natural solution by estimating user preferences under hypothetical exposure, and Inverse Propensity Scoring (IPS) is a common tool for such estimation. However, conventional IPS methods are static and fail to capture the sequential dependencies and temporal dynamics of user behavior. To overcome these limitations, we propose Time aware Inverse Propensity Scoring (TIPS). Unlike traditional static IPS, TIPS effectively accounts for sequential dependencies and temporal dynamics, thereby capturing user preferences more accurately. Extensive experiments show that TIPS consistently enhances recommendation performance as a plug-in for various sequential recommenders. Our code will be publicly available upon acceptance.
- Abstract（参考訳）: Sequential Recommendation (SR) は、ユーザの過去の行動の時間的順序をモデル化することによって、次のインタラクションを予測する。
従来のシーケンシャルモデルやジェネレーティブレコメンダを含む既存のアプローチは、強いパフォーマンスを達成するが、主にアイテムの露出を見下ろしながら、クリックや購入のような明示的なインタラクションに依存している。
この無知は、露出するがクリックしないアイテムが不関心であると誤解される選択バイアスと、未露出のアイテムが無関係として扱われる露光バイアスを導入する。
これらのバイアスに効果的に対処するには、「露出していない」項目と「興味のない」項目を区別する必要がある。
擬似推論は、仮説的露出下でのユーザの嗜好を推定することで自然な解を提供する。
しかし、従来のIPSメソッドは静的であり、ユーザの振る舞いのシーケンシャルな依存関係や時間的ダイナミクスをキャプチャできない。
これらの制限を克服するために、時間に配慮した逆不等式スコアリング(TIPS)を提案する。
従来の静的IPSとは異なり、TIPSはシーケンシャルな依存関係と時間的ダイナミクスを効果的に考慮し、ユーザの好みをより正確にキャプチャする。
大規模な実験により、TIPSは様々なシーケンシャルなレコメンデーションのプラグインとしてのレコメンデーション性能を一貫して向上させることが示された。
私たちのコードは受理時に公開されます。
関連論文リスト
- Quantifying the Potential to Escape Filter Bubbles: A Behavior-Aware Measure via Contrastive Simulation [82.74100448579857]
本稿では,バブルエスケープポテンシャル(Bubble Escape Potential, BEP)を紹介する。
予測精度と気泡流出電位の関係を検討するため,複数の推薦モデルにまたがる広範囲な実験を行った。
論文 参考訳（メタデータ） (2025-11-27T07:21:04Z) - Time Matters: Enhancing Sequential Recommendations with Time-Guided Graph Neural ODEs [39.5138461997608]
シーケンスレコメンデーション(SR)は、eコマースプラットフォームやストリーミングサービスなどに広くデプロイされています。
既存の方法は、インタラクション間の不規則なユーザ関心と、時間とともに非常に不均一なアイテム分布という、2つの重要な要因を見落としていることが多い。
我々はTGODEを提案し、長期の歴史的相互作用の強化とキャプチャを行う。
論文 参考訳（メタデータ） (2025-11-23T08:46:27Z) - Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。
FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。
我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文 参考訳（メタデータ） (2025-08-25T02:55:42Z) - Future Sight and Tough Fights: Revolutionizing Sequential Recommendation with FENRec [31.264334651290437]
逐次レコメンデーション(SR)システムは、時間順のインタラクションシーケンスを分析することによって、ユーザの好みを予測する。
SRの一般的な課題は、ユーザーが通常、限られた数のアイテムとのみ対話するため、データスパシティである。
シーケンシャルレコメンデーション(FENRec)におけるコントラスト学習のための継続ネガティクスを用いた今後のデータ活用を提案する。
論文 参考訳（メタデータ） (2024-12-16T09:20:29Z) - 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) - Debiasing the Cloze Task in Sequential Recommendation with Bidirectional
Transformers [0.0]
Inverse Propensity Scoring (IPS) は、問題の時間的性質を考慮しないため、逐次的なレコメンデーションに拡張されない。
そこで我々は,Clozeタスクの逐次的推奨を理論的に無視できる新しい確率スコアリング機構を提案する。
論文 参考訳（メタデータ） (2023-01-22T21:44:25Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z) - 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) - 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。