論文の概要: Bilateral Intent-Enhanced Sequential Recommendation with Embedding Perturbation-Based Contrastive Learning

• arxiv url: http://arxiv.org/abs/2604.02833v1
• Date: Fri, 03 Apr 2026 07:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.384832
• Title: Bilateral Intent-Enhanced Sequential Recommendation with Embedding Perturbation-Based Contrastive Learning
• Title（参考訳）: 摂動に基づくコントラスト学習を組み込んだバイラテラルインテント強化シーケンスレコメンデーション
• Authors: Shanfan Zhang, Yongyi Lin, Yuan Rao,
• Abstract要約: バイラテラル・インテント・エンハンス・エンベディング・摂動に基づくコントラスト学習フレームワーク BIPCLは、双方向のインテントエンハンスメント機構を介して、アイテムおよびシーケンス表現の両方にマルチインテント信号を統合する。 ベンチマークデータセットの実験では、BIPCLは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.7522809149611367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately modeling users' evolving preferences from sequential interactions remains a central challenge in recommender systems. Recent studies emphasize the importance of capturing multiple latent intents underlying user behaviors. However, existing methods often fail to effectively exploit collective intent signals shared across users and items, leading to information isolation and limited robustness. Meanwhile, current contrastive learning approaches struggle to construct views that are both semantically consistent and sufficiently discriminative. In this work, we propose BIPCL, an end-to-end Bilateral Intent-enhanced, Embedding Perturbation-based Contrastive Learning framework. BIPCL explicitly integrates multi-intent signals into both item and sequence representations via a bilateral intent-enhancement mechanism. Specifically, shared intent prototypes on the user and item sides capture collective intent semantics distilled from behaviorally similar entities, which are subsequently integrated into representation learning. This design alleviates information isolation and improves robustness under sparse supervision. To construct effective contrastive views without disrupting temporal or structural dependencies, BIPCL injects bounded, direction-aware perturbations directly into structural item embeddings. On this basis, BIPCL further enforces multi-level contrastive alignment across interaction- and intent-level representations. Extensive experiments on benchmark datasets demonstrate that BIPCL consistently outperforms state-of-the-art baselines, with ablation studies confirming the contribution of each component.
• Abstract（参考訳）: シーケンシャルな相互作用からユーザの進化する好みを正確にモデル化することは、レコメンダシステムにおいて重要な課題である。 近年の研究では、ユーザ行動に根ざした複数の潜伏意図を捉えることが重要であることが強調されている。 しかし、既存の手法では、ユーザやアイテム間で共有される集合的意図シグナルを効果的に活用することができず、情報の分離やロバスト性に制限がある。 一方、現在のコントラスト学習アプローチは、意味的に一貫性があり、十分に差別的な視点を構築するのに苦労している。 本研究では,摂動に基づくコントラスト学習フレームワークであるBIPCLを提案する。 BIPCLは、双方向のインテントエンハンスメント機構を介して、アイテムおよびシーケンス表現の両方に、マルチインテント信号を明示的に統合する。 具体的には、ユーザ側とアイテム側で共有された意図のプロトタイプが、行動的に類似したエンティティから抽出された集合的意図のセマンティクスをキャプチャし、その後表現学習に統合する。 この設計は情報分離を緩和し、スパース監視下で堅牢性を向上させる。 時間的または構造的依存関係を乱すことなく効果的なコントラストビューを構築するために、BIPCLは、構造的アイテム埋め込みに直接有界、方向対応の摂動を注入する。 このベースで、BIPCLはさらに、インタラクションレベルとインテントレベルの表現間のマルチレベルコントラストアライメントを強制する。 ベンチマークデータセットの大規模な実験により、BIPCLは最先端のベースラインを一貫して上回り、アブレーション研究は各コンポーネントの寄与を確認している。

関連論文リスト

• DuoCLR: Dual-Surrogate Contrastive Learning for Skeleton-based Human Action Segmentation [6.660458629649825]
  事前学習による人間の行動セグメンテーションを強化するために, 対照的な表現学習フレームワークを提案する。 提案するフレームワークは,マルチスケール表現とクロスシーケンスのバリエーションの併用に重点を置いている。 実験では、DuoCLRはトリミングされたスケルトンデータセットで事前トレーニングされ、トリミングされていないデータセットで評価される。
  論文  参考訳（メタデータ） (2025-09-05T23:46:51Z)
• Dual-Perspective Disentangled Multi-Intent Alignment for Enhanced Collaborative Filtering [7.031525324133112]
  暗黙のフィードバックからユーザ意図を遠ざけることは、レコメンデーションシステムの正確性と解釈可能性を高めるための有望な戦略として現れてきた。 DMICFは、意図のアライメント、構造融合、識別訓練を統一する、二重パースペクティブな協調フィルタリングフレームワークである。 DMICFは、さまざまなインタラクション分布を持つデータセット間で、一貫して堅牢なパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2025-06-13T07:44:42Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation [17.889906784627904]
  Intent-guided Heterogeneous Graph Contrastive Learning (IHGCL)と呼ばれる革新的なフレームワークを提案する。 IHGCLはメタパスに含まれるインテントをキャプチャすることでCLベースのレコメンデーションを強化することを目的としている。 6つの異なるデータセットで実施された経験的評価は、我々のIHGCLフレームワークの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-07-24T12:42:41Z)
• HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised Relation Extraction [63.64877263289319]
  非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文からエンティティ間の関係を抽出することを目的としている。 本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。 2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-05-04T17:56:48Z)
• HiCLRE: A Hierarchical Contrastive Learning Framework for Distantly Supervised Relation Extraction [24.853265244512954]
  雑音の少ない文を抽出するための階層的コントラスト学習フレームワーク (HiCLRE) を提案する。 具体的には,3段階の階層型学習フレームワークを提案する。 実験により、HiCLREは様々なメインストリームDSREデータセットにおいて、強いベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2022-02-27T12:48:26Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)

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。