論文の概要: Bridging Sequential and Contextual Features with a Dual-View of Fine-grained Core-Behaviors and Global Interest-Distribution

• arxiv url: http://arxiv.org/abs/2603.12578v1
• Date: Fri, 13 Mar 2026 02:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.850936
• Title: Bridging Sequential and Contextual Features with a Dual-View of Fine-grained Core-Behaviors and Global Interest-Distribution
• Title（参考訳）: 細粒度コアビヘイビアの双対ビューと大域的関心分布による連続的・文脈的特徴のブリッジング
• Abstract要約: 逐次的特徴相互作用と文脈的特徴相互作用のギャップを埋めるために,コアビヘイビアと分布補償デュアルビューインタラクションネットワーク(CDNet)を提案する。 CDNetは、全体的なユーザ関心を保たずに重要な行動の詳細を同時にキャプチャすることで、シーケンシャルな特徴とコンテキスト的な特徴の相互作用を効果的にモデル化する。
• 参考スコア（独自算出の注目度）: 19.644227875720343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) prediction tasks typically estimate the probability of a user clicking on a candidate item by modeling both user behavior sequence features and the item's contextual features, where the user behavior sequence is particularly critical as it dynamically reflects real-time shifts in user interest. Traditional CTR models often aggregate this dynamic sequence into a single vector before interacting it with contextual features. This approach, however, not only leads to behavior information loss during aggregation but also severely limits the model's capacity to capture interactions between contextual features and specific user behaviors, ultimately impairing its ability to capture fine-grained behavioral details and hindering models' prediction accuracy. Conversely, a naive approach of directly interacting with each user action with contextual features is computationally expensive and introduces significant noise from behaviors irrelevant to the candidate item. This noise tends to overwhelm the valuable signals arising from interactions involving more behaviors relevant to the candidate item. Therefore, to resolve the above issue, we propose a Core-Behaviors and Distributional-Compensation Dual-View Interaction Network (CDNet), which bridges the gap between sequential and contextual feature interactions from two complementary angles: a fine-grained interaction involving the most relevant behaviors and contextual features, and a coarse-grained interaction that models the user's overall interest distribution against the contextual features. By simultaneously capturing important behavioral details without forgoing the holistic user interest, CDNet effectively models the interplay between sequential and contextual features without imposing a significant computational burden. Ultimately, extensive experiments validate the effectiveness of CDNet.
• Abstract（参考訳）: クリックスルー率(CTR)予測タスクは、通常、ユーザの行動シーケンスの特徴とアイテムのコンテキストの特徴の両方をモデル化することで、候補アイテムをクリックする確率を推定する。 伝統的なCTRモデルは、文脈的特徴と相互作用する前に、この動的シーケンスを単一のベクトルに集約することが多い。 しかし、このアプローチはアグリゲーション中に行動情報を失うだけでなく、コンテキストの特徴と特定のユーザー行動の間の相互作用を捉える能力も著しく制限し、最終的には詳細な行動の詳細を捉える能力が損なわれ、モデルの予測精度が損なわれる。 逆に,各ユーザの行動とコンテキスト的特徴とを直接対話するナイーブなアプローチは,計算コストが高く,候補項目とは無関係な動作から大きなノイズを生じさせる。 このノイズは、候補項目に関連するより多くの振る舞いを含む相互作用から生じる貴重なシグナルを圧倒する傾向がある。 そこで,本研究では,2つの相補的角度から連続的特徴相互作用と文脈的特徴とのギャップを埋めるコア・ビヘイビアと分散・ビュー・インタラクション・ネットワーク(CDNet)と,ユーザの全体的関心分布を文脈的特徴に対してモデル化する粗粒度相互作用を提案する。 包括的ユーザ関心を放棄せずに重要な行動の詳細を同時に取得することにより、CDNetは、重要な計算負担を伴わずに、逐次的特徴と文脈的特徴の相互作用を効果的にモデル化する。 最終的に、広範な実験によりCDNetの有効性が検証された。

関連論文リスト

• Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
  不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。 重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。 我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
  論文  参考訳（メタデータ） (2026-04-16T03:20:11Z)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling [58.72480539725212]
  本稿では,シーンとアイテム間の動的興味や相互作用を捉えるために,新しいDSPネットワークを提案する。 DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。
  論文  参考訳（メタデータ） (2025-09-30T12:26:57Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [83.7578502046955]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• 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)
• 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。