論文の概要: Modeling Stage-wise Evolution of User Interests for News Recommendation

• arxiv url: http://arxiv.org/abs/2603.10471v1
• Date: Wed, 11 Mar 2026 06:42:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.81356
• Title: Modeling Stage-wise Evolution of User Interests for News Recommendation
• Title（参考訳）: ニュースレコメンデーションにおけるユーザ興味の段階的進化のモデル化
• Authors: Zhiyong Cheng, Yike Jin, Zhijie Zhang, Huilin Chen, Zhangling Duan, Meng Wang,
• Abstract要約: グローバルとローカルの両方の時間的視点からユーザの好みを学習する統合フレームワークを提案する。 グローバルな嗜好モデリングコンポーネントは、相互作用グラフ全体から長期的な協調的な信号をキャプチャする。 局所的嗜好モデリングコンポーネントは、歴史的相互作用を段階的時間的部分グラフに分割し、短期的ダイナミクスを表現する。
• 参考スコア（独自算出の注目度）: 11.474027863114854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized news recommendation is highly time-sensitive, as user interests are often driven by emerging events, trending topics, and shifting real-world contexts. These dynamics make it essential to model not only users' long-term preferences, which reflect stable reading habits and high-order collaborative patterns, but also their short-term, context-dependent interests that change rapidly over time. However, most existing approaches rely on a single static interaction graph, which struggles to capture both long-term preference patterns and short-term interest changes as user behavior evolves. To address this challenge, we propose a unified framework that learns user preferences from both global and local temporal perspectives. A global preference modeling component captures long-term collaborative signals from the overall interaction graph, while a local preference modeling component partitions historical interactions into stage-wise temporal subgraphs to represent short-term dynamics. Within this module, an LSTM branch models the progressive evolution of recent interests, and a self-attention branch captures long-range temporal dependencies. Extensive experiments on two large-scale real-world datasets show that our approach consistently outperforms strong baselines and delivers fresher and more relevant recommendations across diverse user behaviors and temporal settings.
• Abstract（参考訳）: パーソナライズされたニュースレコメンデーションは時間に敏感であり、ユーザの関心はしばしば、新興イベントやトレンドトピック、現実世界のコンテキストの変化によって引き起こされる。 これらのダイナミクスは、安定した読書習慣と高次の協調パターンを反映するユーザの長期的な嗜好だけでなく、時間とともに急速に変化する短期的、文脈に依存した関心をモデル化することが不可欠である。 しかし、既存のほとんどのアプローチは1つの静的相互作用グラフに依存しており、ユーザーの振る舞いが進化するにつれて、長期的な嗜好パターンと短期的な関心の変化の両方を捉えるのに苦労している。 この課題に対処するために,グローバルとローカルの両方の時間的視点からユーザの好みを学習する統合フレームワークを提案する。 グローバルな嗜好モデリングコンポーネントは、全体的な相互作用グラフから長期的な協調信号をキャプチャし、一方、局所的な嗜好モデリングコンポーネントは、過去のインタラクションをステージワイドな時間的サブグラフに分割して、短期的なダイナミクスを表現する。 このモジュール内では、LSTMブランチは最近の関心の進化をモデル化し、セルフアテンションブランチは長期の時間的依存関係をキャプチャする。 2つの大規模な実世界のデータセットに対する大規模な実験は、我々のアプローチが強いベースラインを一貫して上回り、多様なユーザの行動や時間的設定にまたがって、より新しく、より適切なレコメンデーションを提供することを示している。

関連論文リスト

• HINT: Hierarchical Interaction Modeling for Autoregressive Multi-Human Motion Generation [55.73037290387896]
  HINTは,階層的インタラクティクスモデリングを応用した多関節モーション生成のための最初の自動回帰フレームワークである。 第一に、HINTは正準化潜在空間内でのゆがみのある動きの表現を活用し、局所的な動きのセマンティクスを対人インタラクションから切り離す。 第二に、HINTは効率的なオンライン生成のためのスライドウインドウ戦略を採用し、局所的なウィンドウ内およびグローバルなクロスウインドウ条件を集約し、過去の人類の歴史、個人間の依存関係を捉え、テキストガイダンスと整合する。
  論文  参考訳（メタデータ） (2026-01-28T08:47:23Z)
• SPRInG: Continual LLM Personalization via Selective Parametric Adaptation and Retrieval-Interpolated Generation [11.253466187411524]
  SPRInGは、効果的な継続パーソナライズを目的とした、新しい半パラメトリックフレームワークである。 訓練中、SPRInGはドリフト駆動の選択的適応を採用しており、これは確率に基づくスコアリング機能を用いて高能率相互作用を識別する。 長期のパーソナライズされた生成ベンチマークの実験は、SPRInGが既存のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-15T01:32:27Z)
• 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)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Rolling Forward: Enhancing LightGCN with Causal Graph Convolution for Credit Bond Recommendation [16.015835475954773]
  光グラフ畳み込みネットワーク(LightGCN: Light Graph Convolutional Network)の新たな拡張を導入し、動的興味を捉えた時間ノードの埋め込みを学習する。 私たちのアプローチでは、前方のモデルアーキテクチャを維持するために因果的畳み込みを採用しています。 この結果から,時間依存アプリケーションにおけるグラフベースのレコメンデータシステムの設計に関する新たな知見が得られた。
  論文  参考訳（メタデータ） (2025-03-18T12:47:01Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
  本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。 提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
  論文  参考訳（メタデータ） (2020-07-08T02:32:15Z)

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。