論文の概要: Pay Attention to Sequence Split: Uncovering the Impacts of Sub-Sequence Splitting on Sequential Recommendation Models

• arxiv url: http://arxiv.org/abs/2604.05309v1
• Date: Tue, 07 Apr 2026 01:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.559697
• Title: Pay Attention to Sequence Split: Uncovering the Impacts of Sub-Sequence Splitting on Sequential Recommendation Models
• Title（参考訳）: シーケンス分割に対する支払い注意:サブシーケンス分割がシーケンス推薦モデルに及ぼす影響を明らかにする
• Authors: Yizhou Dang, Yifan Wu, Minhan Huang, Chuang Zhao, Lianbo Ma, Guibing Guo, Xingwei Wang, Zhu Sun,
• Abstract要約: Sub-Sequence splitting (SSS) は、シーケンシャルレコメンデーション(SR)におけるデータの分散を緩和するための効果的なアプローチとして実証されている。 本研究では,textbf(i) が実際の性能評価に干渉する可能性があることを明らかにする。
• 参考スコア（独自算出の注目度）: 29.196091254536338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sub-sequence splitting (SSS) has been demonstrated as an effective approach to mitigate data sparsity in sequential recommendation (SR) by splitting a raw user interaction sequence into multiple sub-sequences. Previous studies have demonstrated its ability to enhance the performance of SR models significantly. However, in this work, we discover that \textbf{(i). SSS may interfere with the evaluation of the model's actual performance.} We observed that many recent state-of-the-art SR models employ SSS during the data reading stage (not mentioned in the papers). When we removed this operation, performance significantly declined, even falling below that of earlier classical SR models. The varying improvements achieved by SSS and different splitting methods across different models prompt us to analyze further when SSS proves effective. We find that \textbf{(ii). SSS demonstrates strong capabilities only when specific splitting methods, target strategies, and loss functions are used together.} Inappropriate combinations may even harm performance. Furthermore, we analyze why sub-sequence splitting yields such remarkable performance gains and find that \textbf{(iii). it evens out the distribution of training data while increasing the likelihood that different items are targeted.} Finally, we provide suggestions for overcoming SSS interference, along with a discussion on data augmentation methods and future directions. We hope this work will prompt the broader community to re-examine the impact of data splitting on SR and promote fairer, more rigorous model evaluation. All analysis code and data will be made available upon acceptance. We provide a simple, anonymous implementation at https://github.com/KingGugu/SSS4SR.
• Abstract（参考訳）: サブシーケンス分割(SSS)は、生のユーザインタラクションシーケンスを複数のサブシーケンスに分割することで、シーケンシャルレコメンデーション(SR)におけるデータのスパリティを軽減する効果的なアプローチとして実証されている。 これまでの研究では、SRモデルの性能を大幅に向上させる能力が実証されている。 しかし、この研究で \textbf{ (i) SSSはモデルの性能評価に干渉する可能性がある。 以上の結果から,最近のSRモデルではデータ読取段階でSSSが採用されていることが判明した(論文には言及されていない)。 この操作を除去すると、性能は大幅に低下し、従来のSRモデルよりも低下した。 SSSによって達成される様々な改善と、異なるモデル間で異なる分割方法により、SSSが有効であることが証明されたときにさらに分析される。 私たちは \textbf{ (II)。 SSSは、特定の分割方法、ターゲット戦略、損失関数を一緒に使用する場合にのみ、強力な機能を示す。 } 不適切な組み合わせはパフォーマンスを害する可能性がある。 さらに、サブシーケンス分割がこのような顕著なパフォーマンス向上をもたらす理由を分析し、 \textbf{ (三) トレーニングデータの分布を 明らかにすると同時に 異なるアイテムが 狙われている可能性を高めます 最後に,SSS干渉を克服するための提案と,データ拡張手法と今後の方向性に関する議論について述べる。 この取り組みにより、幅広いコミュニティがSRにおけるデータ分割の影響を再検討し、より公平で厳密なモデル評価を促進することを期待しています。 解析コードとデータはすべて、受理時に利用可能になる。 私たちはhttps://github.com/KingGugu/SSS4SRでシンプルな匿名実装を提供しています。

関連論文リスト

• Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [26.331324261505486]
  Sequential Recommendation (SR) は、ユーザの過去のインタラクションにおけるシーケンシャルなパターンを活用して、ユーザの好みを正確に追跡することを目的としている。 大規模言語モデル(LLM)の有効性が証明されているにもかかわらず、商用レコメンデータシステムへの統合は妨げられている。 我々は,LLMを用いたSRモデルを強化するために,新しいPri-train,Align,Disentangle(PAD)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-05T12:17:56Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Deep Autoregressive Models as Causal Inference Engines [38.26602521505842]
  本稿では、複雑な共同ファウンダーやシーケンシャルアクションを扱える自己回帰的因果推論フレームワークを提案する。 提案手法は,基礎となる因果図からトークンの列へとデータを変換するemシーケンシフィケーションを用いてこれを実現している。 我々は,CIに適応したARモデルは,迷路をナビゲートしたり,チェスのエンドゲームを行ったり,あるキーワードが紙の受容率に与える影響を評価するなど,様々な複雑な応用において効率的かつ効果的であることが実証された。
  論文  参考訳（メタデータ） (2024-09-27T09:37:09Z)
• Survival Analysis with Adversarial Regularization [3.9686445409447617]
  生存分析(Survival Analysis、SA)は、医学、防衛学、金融学、航空宇宙学などの分野で応用されるイベントが起こるまでの時間をモデル化する。 最近の研究は、ニューラルネットワーク(NN)がSAの複雑なデータパターンを効果的にキャプチャできることを示唆している。 我々は、NN検証の進歩を活用して、堅牢で完全なパラメトリックSAモデルのためのトレーニング目標を開発する。
  論文  参考訳（メタデータ） (2023-12-26T12:18:31Z)
• Evaluation of Faithfulness Using the Longest Supported Subsequence [52.27522262537075]
  本稿では,文脈によって支持される請求項の最長不連続性を計算し,機械生成テキストの忠実さを評価する新しい手法を提案する。 新しい人間アノテーション付きデータセットを使用して、モデルを微調整してLongest Supported Subsequence(LSS)を生成する。 提案手法は,我々のデータセットの忠実度に対する最先端のメトリクスよりも18%向上していることを示す。
  論文  参考訳（メタデータ） (2023-08-23T14:18:44Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。