論文の概要: GateSID: Adaptive Gating for Semantic-Collaborative Alignment in Cold-Start Recommendation

• arxiv url: http://arxiv.org/abs/2603.22916v1
• Date: Tue, 24 Mar 2026 08:04:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.374271
• Title: GateSID: Adaptive Gating for Semantic-Collaborative Alignment in Cold-Start Recommendation
• Title（参考訳）: GateSID:コールドスタート勧告におけるセマンティックコラボレーティブアライメントのための適応ゲーティング
• Authors: Hai Zhu, Yantao Yu, Lei Shen, Bing Wang, Xiaoyi Zeng,
• Abstract要約: GateSIDは適応的なゲーティングネットワークを使用して、アイテムの成熟度に応じて意味的および協調的な信号のバランスをとる。 オンラインA/Bテストはその実用的価値を確認し、+2.6%のGMV、+1.1%のCTR、+1.6%の注文で5ミリ秒未満の遅延を発生させる。
• 参考スコア（独自算出の注目度）: 11.467903826119061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cold-start scenarios, the scarcity of collaborative signals for new items exacerbates the Matthew effect, which undermines platform diversity and remains a persistent challenge in real-world recommender systems. Existing methods typically enhance collaborative signals with semantic information, but they often suffer from a collaborative-semantic tradeoff: collaborative signals are effective for popular items but unreliable for cold-start items, whereas over-reliance on semantic information may obscure meaningful collaborative differences. To address this issue, we propose GateSID, a framework that uses an adaptive gating network to dynamically balance semantic and collaborative signals according to item maturity. Specifically, we first discretize multimodal features into hierarchical Semantic IDs using Residual Quantized VAE. Building on this representation, we design two key components: (1) Gating-Fused Shared Attention, which fuses intra-modal attention distributions with item-level gating weights derived from embeddings and statistical features; and (2) Gate-Regulated Contrastive Alignment, which adaptively calibrates cross-modal alignment, enforcing stronger semantic-behavior consistency for cold-start items while relaxing the constraint for popular items to preserve reliable collaborative signals. Extensive offline experiments on large-scale industrial datasets demonstrate that GateSID consistently outperforms strong baselines. Online A/B tests further confirm its practical value, yielding +2.6% GMV, +1.1% CTR, and +1.6% orders with less than 5 ms additional latency.
• Abstract（参考訳）: コールドスタートのシナリオでは、新しいアイテムの協調シグナルの不足は、プラットフォームの多様性を損なうMatthew効果を悪化させ、現実世界のレコメンデーターシステムにおいて永続的な課題である。 協調的な信号は一般的なアイテムには有効だが、コールドスタートアイテムには信頼性がないが、セマンティック情報への過度な依存は、意味のある協調的な違いを曖昧にしている。 この問題に対処するために,適応ゲーティングネットワークを用いて,アイテムの成熟度に応じて意味的および協調的な信号を動的にバランスさせるフレームワークであるGateSIDを提案する。 具体的には、Residual Quantized VAEを用いて、まずマルチモーダル特徴を階層的なセマンティックIDに識別する。 この表現に基づいて,(1)埋め込みや統計的特徴から誘導されるアイテムレベルのゲーティング重みを緩和するゲーティング融合共有注意(Gating-Fused Shared Attention),(2)クロスモーダルアライメントを適応的に校正するゲート規制コントラストアライメント(Gate-Regulated Contrastive Alignment)という2つのキーコンポーネントを設計し,コールドスタートアイテムに対するより強力なセマンティック・ビヘイビア一貫性を実現するとともに,人気アイテムの制約を緩和し,信頼性の高い協調信号を保持する。 大規模産業データセットに対する大規模なオフライン実験は、GateSIDが一貫して強力なベースラインを上回っていることを示している。 オンラインA/Bテストはその実用的価値をさらに確認し、+2.6%のGMV、+1.1%のCTR、+1.6%の注文で5ミリ秒未満の遅延を発生させた。

関連論文リスト

• A Cognitive Distribution and Behavior-Consistent Framework for Black-Box Attacks on Recommender Systems [31.500626025054316]
  シーケンシャルレコメンダシステムは 抽出と敵の操作に弱い 本稿では、これらの制限を克服するための二重強化攻撃フレームワークを提案する。 本手法は,攻撃成功率と回避率の両方において既存手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-11T08:26:07Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• SWGCN: Synergy Weighted Graph Convolutional Network for Multi-Behavior Recommendation [7.121022635383067]
  現在のグラフベースの手法は、行動間の相乗的信号と個々の行動のきめ細かい強度を見落としている。 そこで,Synergy Weighted Graph Convolutional Network (SWGCN)を提案する。 本モデルは,3つのオープンソースデータセット,特にTaobao,IJCAI,Beibeiの包括的なテストを通じて,厳密に評価されている。
  論文  参考訳（メタデータ） (2026-01-31T13:42:49Z)
• The Best of the Two Worlds: Harmonizing Semantic and Hash IDs for Sequential Recommendation [51.62815306481903]
  我々は,SIDとHIDを調和させる新しいフレームワークであるtextbfnameを提案する。具体的には,HIDのユニークなコラボレーティブアイデンティティを保ちながら,SID内のマルチグラニュラーセマンティクスの両方をキャプチャ可能な,デュアルブランチモデリングアーキテクチャを考案する。 実世界の3つのデータセットの実験では、名前は、既存のベースラインを越えながら、頭と尾の両方の推奨品質のバランスをとる。
  論文  参考訳（メタデータ） (2025-12-11T07:50:53Z)
• DiscRec: Disentangled Semantic-Collaborative Modeling for Generative Recommendation [33.152693125551785]
  生成的レコメンデーションは、アイテム予測を直接生成する強力なパラダイムとして現れています。 現在の手法ではトークン・イテムのミスアライメントとセマンティック・コラボレーティブな信号の絡み合いという2つの重要な課題に直面している。 Disentangled Semantic-Collaborative Signal Modelingを可能にする新しいフレームワークであるDisdisRecを提案する。
  論文  参考訳（メタデータ） (2025-06-18T15:53:47Z)
• Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
  教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。 提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:40:30Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)

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。