論文の概要: MISApp: Multi-Hop Intent-Aware Session Graph Learning for Next App Prediction

• arxiv url: http://arxiv.org/abs/2603.21653v1
• Date: Mon, 23 Mar 2026 07:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.541571
• Title: MISApp: Multi-Hop Intent-Aware Session Graph Learning for Next App Prediction
• Title（参考訳）: MISApp: 次のアプリケーション予測のためのマルチホップインテント対応セッショングラフ学習
• Authors: Yunchi Yang, Longlong Li, Jianliang Wu, Cunquan Qu,
• Abstract要約: マルチホップセッショングラフ学習に基づく次世代アプリ予測のためのプロファイルフリーフレームワークMISAppを提案する。 MISAppは、異なる構造範囲で遷移依存をキャプチャするために、マルチホップセッショングラフを構築する。 実験によると、MISAppは標準設定とコールドスタート設定の両方で競争ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 4.997426047348826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the next mobile app a user will launch is essential for proactive mobile services. Yet accurate prediction remains challenging in real-world settings, where user intent can shift rapidly within short sessions and user-specific historical profiles are often sparse or unavailable, especially under cold-start conditions. Existing approaches mainly model app usage as sequential behavior or local session transitions, limiting their ability to capture higher-order structural dependencies and evolving session intent. To address this issue, we propose MISApp, a profile-free framework for next app prediction based on multi-hop session graph learning. MISApp constructs multi-hop session graphs to capture transition dependencies at different structural ranges, learns session representations through lightweight graph propagation, incorporates temporal and spatial context to characterize session conditions, and captures intent evolution from recent interactions. Experiments on two real-world app usage datasets show that MISApp consistently outperforms competitive baselines under both standard and cold-start settings, while maintaining a favorable balance between predictive accuracy and practical efficiency. Further analyses show that the learned hop-level attention weights align well with structural relevance, offering interpretable evidence for the effectiveness of the proposed multi-hop modeling strategy.
• Abstract（参考訳）: 次のモバイルアプリを予測することは、アクティブなモバイルサービスには不可欠だ。 しかし、ユーザの意図が短いセッション内で急速にシフトし、ユーザ固有の履歴プロファイルが、特にコールドスタート条件下では、しばしば不足あるいは利用できないような現実の環境では、正確な予測は依然として難しいままである。 既存のアプローチは主に、アプリ使用をシーケンシャルな振る舞いやローカルなセッション遷移としてモデル化し、高次の構造的依存関係をキャプチャし、セッションインテントを進化させる能力を制限する。 この問題に対処するため,マルチホップセッショングラフ学習に基づく次世代アプリ予測のためのプロファイルフリーフレームワークMISAppを提案する。 MISAppは、異なる構造領域における遷移依存をキャプチャするために、マルチホップセッショングラフを構築し、軽量グラフ伝播を通じてセッション表現を学習し、時間的および空間的コンテキストを組み込んでセッション条件を特徴づけ、最近の相互作用から意図的な進化を捉える。 2つの実世界のアプリ利用データセットの実験によると、MISAppは標準設定とコールドスタート設定の両方で競争ベースラインを一貫して上回り、予測精度と実用的な効率のバランスを維持している。 さらに分析した結果,学習したホップレベルの注意重みは構造的妥当性とよく一致し,提案したマルチホップ・モデリング・ストラテジーの有効性の解釈可能な証拠が得られた。

関連論文リスト

• 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-Graph Co-Training for Capturing User Intent in Session-based Recommendation [3.105656247358225]
  セッションベースのレコメンデーションは、匿名ユーザセッションのシーケンスに基づいて、ユーザが次に対話するアイテムを予測することに焦点を当てる。 既存の手法のほとんどは、利用可能な豊富な補助情報を見渡すことで、ユーザの現在のインタラクションに大きく依存している。 我々は,現在のセッショングラフだけでなく,類似セッショングラフやグローバルアイテム関係グラフも活用する,新しいモデルであるMulti-Graph Co-Training Model (MGCOT)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T08:08:07Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• GraphPro: Graph Pre-training and Prompt Learning for Recommendation [18.962982290136935]
  GraphProはパラメータ効率と動的グラフ事前トレーニングと即時学習を組み合わせたフレームワークである。 本フレームワークは,時間的プロンプト機構とグラフ構造的プロンプト学習機構をシームレスに統合することにより,ユーザの好みを進化させる課題に対処する。
  論文  参考訳（メタデータ） (2023-11-28T12:00:06Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• 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)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。