論文の概要: LSA: A Long-Short-term Aspect Interest Transformer for Aspect-Based Recommendation

• arxiv url: http://arxiv.org/abs/2603.21243v1
• Date: Sun, 22 Mar 2026 14:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.308802
• Title: LSA: A Long-Short-term Aspect Interest Transformer for Aspect-Based Recommendation
• Title（参考訳）: LSA---Aspect-based Recommendationのための長期利子変換器
• Authors: Le Liu, Junrui Liu, Yunhan Gao, Ziheng Wang, Tong Li,
• Abstract要約: アスペクトベースレコメンデーションのための長短アスペクト関心変換器(LSA)を提案する。 LSAは、長期的な側面と短期的な側面の両方を統合することで、ユーザの好みの動的な性質を捉えている。 4つの実世界のデータセットで実施された実験では、LSAは平均2.55%MSEを改善している。
• 参考スコア（独自算出の注目度）: 7.005720411867773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aspect-based recommendation methods extract aspect terms from reviews, such as price, to model fine-grained user preferences on items, making them a critical approach in personalized recommender systems. Existing methods utilize graphs to represent the relationships among users, items, and aspect terms, modeling user preferences based on graph neural networks. However, they overlook the dynamic nature of user interests - users may temporarily focus on aspects they previously paid little attention to - making it difficult to assign accurate weights to aspect terms for each user-item interaction. In this paper, we propose a long-short-term aspect interest Transformer (LSA) for aspect-based recommendation, which effectively captures the dynamic nature of user preferences by integrating both long-term and short-term aspect interests. Specifically, the short-term interests model the temporal changes in the importance of recently interacted aspect terms, while the long-term interests consider global behavioral patterns, including aspects that users have not interacted with recently. Finally, LSA combines long- and short-term interests to evaluate the importance of aspects within the union of user and item aspect neighbors, therefore accurately assigns aspect weights for each user-item interaction. Experiments conducted on four real-world datasets demonstrate that LSA improves MSE by 2.55% on average over the best baseline.
• Abstract（参考訳）: アスペクトベースのレコメンデーション手法は、価格などのレビューからアスペクトを抽出し、アイテムのきめ細かいユーザー嗜好をモデル化し、パーソナライズされたレコメンデーションシステムにおいて重要なアプローチとなる。 既存の手法では、ユーザ、アイテム、アスペクトの項間の関係を表現するためにグラフを使用し、グラフニューラルネットワークに基づいたユーザの好みをモデル化する。 しかしながら、ユーザ関心の動的な性質を見落としている — ユーザは、それまでほとんど注意を払わなかったアスペクトに一時的にフォーカスする可能性があるため、ユーザとイテムのインタラクションごとにアスペクトの正確な重み付けを割り当てるのは困難である。 本稿では,長期的・短期的双方の利害関係を統合することで,ユーザの嗜好の動的な性質を効果的に把握する,アスペクトベースレコメンデーションのための長期的アスペクト関心変換器(LSA)を提案する。 特に、短期的関心は、最近相互作用された側面用語の重要性の時間的変化をモデル化する一方、長期的関心は、ユーザが最近相互作用していない側面を含むグローバルな行動パターンを考察する。 最後に、LSAは、ユーザとアイテムのアスペクトの結合におけるアスペクトの重要性を評価するために、長期的および短期的な関心を組み合わせることで、ユーザとイテムの相互作用ごとにアスペクト重みを正確に割り当てる。 4つの実世界のデータセットで実施された実験では、LSAは最高のベースラインよりも平均2.55%改善している。

関連論文リスト

• Modeling Stage-wise Evolution of User Interests for News Recommendation [11.474027863114854]
  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。
  論文  参考訳（メタデータ） (2026-03-11T06:42:52Z)
• ALPBench: A Benchmark for Attribution-level Long-term Personal Behavior Understanding [53.88804678012327]
  ALPBenchは属性レベルの長期的個人行動理解のためのベンチマークである。 ユーザと興味のある属性の組み合わせを予測し、基幹構造評価を可能にする。 ユーザの明示的に表現された要求よりも、長期的な歴史的行動の好みをモデル化する。
  論文  参考訳（メタデータ） (2026-02-03T03:32:16Z)
• 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)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• 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)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• 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)
• Context-aware short-term interest first model for session-based recommendation [0.0]
  文脈対応短期関心第一モデル(CASIF)を提案する。 本研究の目的は,文脈と短期的関心を組み合わせることで,推薦の正確性を向上させることである。 最後に、短期的および長期的利息を最終利息として結合し、候補ベクトルによって乗算して推奨確率を得る。
  論文  参考訳（メタデータ） (2021-03-29T11:36:00Z)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRed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） (2020-11-10T16:04:46Z)
• 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)
• Modeling Long-Term and Short-Term Interests with Parallel Attentions for Session-based Recommendation [17.092823992007794]
  セッションベースのレコメンダは通常、ユーザの進化する関心を探求します。 近年の注意機構の進歩により、この課題を解決するための最先端の手法が導かれた。 本稿では,セッションベースレコメンデーションのための並列注意ネットワークモデル(PAN)を提案する。
  論文  参考訳（メタデータ） (2020-06-27T11:47:51Z)

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。