論文の概要: Latent Factor Modeling with Expert Network for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2603.18556v1
• Date: Thu, 19 Mar 2026 07:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.995748
• Title: Latent Factor Modeling with Expert Network for Multi-Behavior Recommendation
• Title（参考訳）: 多行動レコメンデーションのためのエキスパートネットワークを用いた潜在因子モデリング
• Authors: Mingshi Yan, Zhiyong Cheng, Yahong Han, Meng Wang,
• Abstract要約: エキスパートネットワーク(MBLFE)を用いた潜伏要因のモデル化によるマルチ振る舞い手法を提案する。 提案手法では,専門家ネットワークが推奨シナリオ全体の潜在要因をすべてモデル化するゲーティング専門家ネットワークを設計する。 提案手法は最先端のベースラインを著しく上回り,その有効性を検証した。
• 参考スコア（独自算出の注目度）: 31.203561497900637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional recommendation methods, which typically focus on modeling a single user behavior (e.g., purchase), often face severe data sparsity issues. Multi-behavior recommendation methods offer a promising solution by leveraging user data from diverse behaviors. However, most existing approaches entangle multiple behavioral factors, learning holistic but imprecise representations that fail to capture specific user intents. To address this issue, we propose a multi-behavior method by modeling latent factors with an expert network (MBLFE). In our approach, we design a gating expert network, where the expert network models all latent factors within the entire recommendation scenario, with each expert specializing in a specific latent factor. The gating network dynamically selects the optimal combination of experts for each user, enabling a more accurate representation of user preferences. To ensure independence among experts and factor consistency of a particular expert, we incorporate self-supervised learning during the training process. Furthermore, we enrich embeddings with multi-behavior data to provide the expert network with more comprehensive collaborative information for factor extraction. Extensive experiments on three real-world datasets demonstrate that our method significantly outperforms state-of-the-art baselines, validating its effectiveness.
• Abstract（参考訳）: 従来のレコメンデーションメソッドは、通常、単一のユーザの振る舞い(例えば購入)をモデル化することに重点を置いています。 マルチビヘイビアレコメンデーション手法は、多様な振る舞いからユーザデータを活用することで、有望なソリューションを提供する。 しかし、既存のほとんどのアプローチは、複数の行動要因を絡み合わせ、特定のユーザの意図を捉えるのに失敗する総体的だが不正確な表現を学ぶ。 この問題に対処するために,エキスパートネットワーク (MBLFE) を用いた潜伏因子をモデル化したマルチ振る舞い手法を提案する。 提案手法では,各専門家が特定の潜在要因を特化して,専門家ネットワークがレコメンデーションシナリオ全体の潜在要因をモデル化するゲーティングエキスパートネットワークを設計する。 ゲーティングネットワークは、ユーザ毎のエキスパートの最適な組み合わせを動的に選択し、ユーザの好みをより正確に表現できるようにする。 専門家間の独立と特定の専門家の要因整合性を確保するため、トレーニングプロセス中に自己教師付き学習を取り入れる。 さらに,マルチビヘイビアデータによる埋め込みを充実させ,専門家ネットワークに因子抽出のためのより包括的な協調情報を提供する。 3つの実世界のデータセットに対する大規模な実験により、我々の手法は最先端のベースラインを著しく上回り、その有効性を検証した。

関連論文リスト

• On DeepSeekMoE: Statistical Benefits of Shared Experts and Normalized Sigmoid Gating [75.29576838162714]
  DeepSeekMoEは、共有専門家戦略の展開と正規化されたシグモイドゲーティングメカニズムの2つのユニークな特徴から際立っている。 本研究では, 共有専門家戦略と正規化シグモイドゲーティングの両方において, サンプル効率の利得を明らかにするために, 専門家推定タスクの収束解析を行う。
  論文  参考訳（メタデータ） (2025-05-16T04:58:18Z)
• Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
  我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。 我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。 我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
  論文  参考訳（メタデータ） (2024-03-15T20:21:31Z)
• HyperMoE: Towards Better Mixture of Experts via Transferring Among Experts [25.504602853436047]
  言語モデルのMixture of Experts (MoE)は、各入力トークンを特定の専門家のサブセットに動的にルーティングすることで、モデルのキャパシティを増大させる効果が証明されている。 我々はHypernetworks上に構築された新しいMoEフレームワークであるHyperMoEを提案する。 このフレームワークは、マルチタスク学習における知識伝達の概念とMoEの計算処理を統合する。
  論文  参考訳（メタデータ） (2024-02-20T02:09:55Z)
• Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
  与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。 以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。 我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
  論文  参考訳（メタデータ） (2024-01-08T12:39:25Z)
• Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
  本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。 本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。 最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
  論文  参考訳（メタデータ） (2023-01-13T06:24:33Z)
• SuperCone: Modeling Heterogeneous Experts with Concept Meta-learning for Unified Predictive Segments System [8.917697023052257]
  統合述語セグメントシステムであるSuperConeについて述べる。 これは、各ユーザの異質なデジタルフットプリントを要約するフラットな概念表現の上に構築される。 様々な述語セグメントタスクにおいて、最先端のレコメンデーションとランキングアルゴリズムを上回ります。
  論文  参考訳（メタデータ） (2022-03-09T04:11:39Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Multiple Expert Brainstorming for Domain Adaptive Person Re-identification [140.3998019639158]
  本稿では、ドメイン適応型人物再IDのための複数の専門家ブレインストーミングネットワーク(MEB-Net)を提案する。 MEB-Netは、異なるアーキテクチャを持つ複数のネットワークをソースドメイン内で事前トレーニングする、相互学習戦略を採用している。 大規模データセットの実験は、最先端技術よりもMEB-Netの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2020-07-03T08:16:19Z)

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。