論文の概要: SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests
- arxiv url: http://arxiv.org/abs/2604.04530v1
- Date: Mon, 06 Apr 2026 08:49:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.151588
- Title: SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests
- Title（参考訳）: SLSREC:長期・短期のユーザ関心の適応的融合のための自己監督型コントラスト学習
- Authors: Wei Zhou, Yue Shen, Junkai Ji, Yinglan Feng, Xing Tang, Xiuqiang He, Liang Feng, Zexuan Zhu,
- Abstract要約: SLSRecは、長期と短期の勧告を融合したセッションベースのモデルである。
長期的および短期的な関心表現の正確な校正を保証するために、対照的な学習戦略を導入する。
3つの公開ベンチマークデータセットの実験は、SLSRecが一貫して最先端モデルを上回っていることを示している。
- 参考スコア（独自算出の注目度）: 22.535188624090353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User interests typically encompass both long-term preferences and short-term intentions, reflecting the dynamic nature of user behaviors across different timeframes. The uneven temporal distribution of user interactions highlights the evolving patterns of interests, making it challenging to accurately capture shifts in interests using comprehensive historical behaviors. To address this, we propose SLSRec, a novel Session-based model with the fusion of Long- and Short-term Recommendations that effectively captures the temporal dynamics of user interests by segmenting historical behaviors over time. Unlike conventional models that combine long- and short-term user interests into a single representation, compromising recommendation accuracy, SLSRec utilizes a self-supervised learning framework to disentangle these two types of interests. A contrastive learning strategy is introduced to ensure accurate calibration of long- and short-term interest representations. Additionally, an attention-based fusion network is designed to adaptively aggregate interest representations, optimizing their integration to enhance recommendation performance. Extensive experiments on three public benchmark datasets demonstrate that SLSRec consistently outperforms state-of-the-art models while exhibiting superior robustness across various scenarios.We will release all source code upon acceptance.
- Abstract（参考訳）: ユーザの関心は通常、長期的嗜好と短期的意図の両方を包含し、異なる時間枠にわたるユーザの振る舞いの動的な性質を反映します。
ユーザインタラクションの不均一な時間的分布は、関心の進化パターンを浮き彫りにしており、包括的な歴史的行動を用いて興味の変化を正確に捉えることは困難である。
そこで我々は,SLSRecを提案する。SLSRecは,長期的・短期的勧告を融合したセッションベースモデルであり,歴史的行動の分節化によってユーザの興味の時間的ダイナミクスを効果的に捉えることができる。
SLSRecは、長期的および短期的なユーザの興味を単一の表現に組み合わせた従来のモデルとは異なり、自己教師付き学習フレームワークを使用してこれら2種類の興味を解き放つ。
長期的および短期的な関心表現の正確な校正を保証するために、対照的な学習戦略を導入する。
さらに、注意に基づく融合ネットワークは、関心表現を適応的に集約し、その統合を最適化して推奨性能を高めるように設計されている。
3つの公開ベンチマークデータセットに対する大規模な実験により、SLSRecは、さまざまなシナリオにまたがって優れた堅牢性を示しながら、常に最先端のモデルを上回っていることが示された。
関連論文リスト
- LSA: A Long-Short-term Aspect Interest Transformer for Aspect-Based Recommendation [7.005720411867773]
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。
論文 参考訳（メタデータ） (2026-03-22T14:00:33Z) - 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) - What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。
これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。
タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
論文 参考訳（メタデータ） (2025-06-02T21:09:29Z) - 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) - 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) - Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。
長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。
動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文 参考訳（メタデータ） (2021-02-18T11:08:54Z) - 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) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。