論文の概要: MCLMR: A Model-Agnostic Causal Learning Framework for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2603.25126v1
• Date: Thu, 26 Mar 2026 07:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.162329
• Title: MCLMR: A Model-Agnostic Causal Learning Framework for Multi-Behavior Recommendation
• Title（参考訳）: MCLMR:マルチビヘイビア勧告のためのモデルに依存しない因果学習フレームワーク
• Authors: Ranxu Zhang, Junjie Meng, Ying Sun, Ziqi Xu, Bing Yin, Hao Li, Yanyong Zhang, Chao Wang,
• Abstract要約: Multi-Behavior Recommendation (MBR)は、複数のユーザインタラクションタイプを活用して、好みのモデリングを強化する。 MBRメソッドには、ユーザの行動習慣から複雑なコンファウンディング効果をモデル化する、原則化されたフレームワークが欠如している。 本稿では,新しいモデルに依存しない因果学習フレームワークであるMCLMRを提案する。
• 参考スコア（独自算出の注目度）: 32.96478964867985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Behavior Recommendation (MBR) leverages multiple user interaction types (e.g., views, clicks, purchases) to enrich preference modeling and alleviate data sparsity issues in traditional single-behavior approaches. However, existing MBR methods face fundamental challenges: they lack principled frameworks to model complex confounding effects from user behavioral habits and item multi-behavior distributions, struggle with effective aggregation of heterogeneous auxiliary behaviors, and fail to align behavioral representations across semantic gaps while accounting for bias distortions. To address these limitations, we propose MCLMR, a novel model-agnostic causal learning framework that can be seamlessly integrated into various MBR architectures. MCLMR first constructs a causal graph to model confounding effects and performs interventions for unbiased preference estimation. Under this causal framework, it employs an Adaptive Aggregation module based on Mixture-of-Experts to dynamically fuse auxiliary behavior information and a Bias-aware Contrastive Learning module to align cross-behavior representations in a bias-aware manner. Extensive experiments on three real-world datasets demonstrate that MCLMR achieves significant performance improvements across various baseline models, validating its effectiveness and generality. All data and code will be made publicly available. For anonymous review, our code is available at the following the link: https://github.com/gitrxh/MCLMR.
• Abstract（参考訳）: MBR(Multi-Behavior Recommendation)は、複数のユーザインタラクションタイプ(ビュー、クリック、購入など)を活用して、好みのモデリングを強化し、従来の単一ビヘイビアアプローチにおけるデータ空間の問題を軽減する。 しかし、既存のMBR手法では、ユーザの行動習慣やアイテムの多行動分布から複雑なコンファウンディング効果をモデル化するための原則的なフレームワークが欠如し、不均一な補助行動の効果的な集約に苦慮し、バイアスの歪みを考慮しながら意味的ギャップ間での行動表現の整合に失敗するなど、根本的な課題に直面している。 これらの制約に対処するため,新しいモデルに依存しない因果学習フレームワークであるMCLMRを提案する。 MCLMRはまず因果グラフを構築し、不偏の選好推定のための介入を行う。 この因果的枠組みの下では、Mixture-of-Expertsに基づくAdaptive Aggregationモジュールを使用して、補助行動情報を動的にフューズする。 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、MCLMRは様々なベースラインモデル間で大幅な性能向上を達成し、その有効性と汎用性を検証した。 すべてのデータとコードは公開されます。 匿名レビューのために、私たちのコードは以下のリンクで利用可能である。

関連論文リスト

• Towards Multi-Behavior Multi-Task Recommendation via Behavior-informed Graph Embedding Learning [13.503641677199857]
  マルチビヘイビアレコメンデーション(MBR)は、補助行動(例えば、クリック、お気に入り)を活用することにより、目標行動(購入)の性能を向上させることを目的としている。 現実のシナリオでは、レコメンデーションメソッドは、しばしば異なるタイプの振る舞いを処理し、各タスク(例えば、各行動タイプ)に対してパーソナライズされたリストを生成する必要がある。
  論文  参考訳（メタデータ） (2026-01-12T08:04:08Z)
• An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models [59.13182819190547]
  ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。 複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。 本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T10:28:23Z)
• AsymLoRA: Harmonizing Data Conflicts and Commonalities in MLLMs [5.018961516699825]
  AsymLoRAは、知識のモジュール化と相互調整を統一するパラメータ効率のチューニングフレームワークである。 AsymLoRAは、共通点のみを捉えたバニラLoRAと、紛争のみに焦点を当てたLoRA-MoEの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-02-27T12:21:02Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Multi-view Multi-behavior Contrastive Learning in Recommendation [52.42597422620091]
  マルチビヘイビアレコメンデーション(MBR)は、目標行動のパフォーマンスを改善するために、複数の振る舞いを共同で検討することを目的としている。 本稿では,新しいマルチビヘイビア・マルチビュー・コントラスト学習勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:13:28Z)

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。