論文の概要: DIAURec: Dual-Intent Space Representation Optimization for Recommendation
- arxiv url: http://arxiv.org/abs/2604.09087v2
- Date: Mon, 13 Apr 2026 01:23:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 14:47:45.886585
- Title: DIAURec: Dual-Intent Space Representation Optimization for Recommendation
- Title（参考訳）: DIAURec:リコメンデーションのためのデュアルインテント空間表現最適化
- Authors: Yu Zhang, Yiwen Zhang, Yi Zhang, Lei Sang,
- Abstract要約: 本稿では,意図と言語モデリングを統合した表現学習フレームワークを提案する。
DIAURecは、協調的および言語信号によって形成されるプロトタイプと配布意図空間に基づいて、表現を再構築する。
3つの公開データセットの実験は、DIAURecが一貫して最先端のベースライン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）: 11.613859816621337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General recommender systems deliver personalized services by learning user and item representations, with the central challenge being how to capture latent user preferences. However, representations derived from sparse interactions often fail to comprehensively characterize user behaviors, thereby limiting recommendation effectiveness. Recent studies attempt to enhance user representations through sophisticated modeling strategies ($e.g.,$ intent or language modeling). Nevertheless, most works primarily concentrate on model interpretability instead of representation optimization. This imbalance has led to limited progress, as representation optimization is crucial for recommendation quality by promoting the affinity between users and their interacted items in the feature space, yet remains largely overlooked. To overcome these limitations, we propose DIAURec, a novel representation learning framework that unifies intent and language modeling for recommendation. DIAURec reconstructs representations based on the prototype and distribution intent spaces formed by collaborative and language signals. Furthermore, we design a comprehensive representation optimization strategy. Specifically, we adopts alignment and uniformity as the primary optimization objectives, and incorporates both coarse- and fine-grained matching to achieve effective alignment across different spaces, thereby enhancing representational consistency. Additionally, we further introduce intra-space and interaction regularization to enhance model robustness and prevent representation collapse in reconstructed space representation. Experiments on three public datasets against fifteen baseline methods show that DIAURec consistently outperforms state-of-the-art baselines, fully validating its effectiveness and superiority.
- Abstract（参考訳）: 一般的なレコメンデータシステムは、ユーザとアイテムの表現を学習することでパーソナライズされたサービスを提供する。
しかし、スパース相互作用から派生した表現は、ユーザー行動の包括的特徴付けに失敗し、レコメンデーションの有効性が制限される。
近年の研究では、洗練されたモデリング戦略(例えば、$インテントや言語モデリング)を通じてユーザ表現を強化する試みが行われている。
しかしながら、ほとんどの研究は表現最適化ではなくモデル解釈可能性に焦点を当てている。
この不均衡は、ユーザと機能空間における相互作用するアイテムとの親和性を促進することで、表現最適化が推奨品質に不可欠であるため、限られた進歩をもたらしたが、ほとんど見落とされ続けている。
このような制約を克服するために,意図と言語モデリングを統合化するための新しい表現学習フレームワークであるDIAURecを提案する。
DIAURecは、協調的および言語信号によって形成されるプロトタイプと配布意図空間に基づいて、表現を再構築する。
さらに、包括的表現最適化戦略を設計する。
具体的には、アライメントと一様性を主最適化目的として採用し、粗いマッチングと細粒度のマッチングを併用して、異なる空間間の効果的なアライメントを実現し、表現整合性を向上させる。
さらに、空間内および相互作用の正則化を導入し、モデルロバスト性を高め、再構成された空間表現における表現崩壊を防止する。
15のベースライン法に対する3つの公開データセットの実験は、DIAURecが一貫して最先端のベースラインを上回り、その有効性と優位性を完全に検証していることを示している。
関連論文リスト
- Bridging Visual Representation and Reinforcement Learning from Verifiable Rewards in Large Vision-Language Models [35.97638821723309]
KAWHIは、構造化された視覚情報を均一な報酬ポリシー最適化手法に明示的に組み込む、プラグアンドプレイ報酬再重み付け機構である。
階層的幾何的アグリゲーションにより意味的に有意な領域を適応的に局在させ、構造化属性を介して視覚クリティカルなアテンションヘッドを識別し、段落レベルの信用再配置を行い、空間的な視覚的証拠を意味的に決定的な推論ステップと整合させる。
論文 参考訳（メタデータ） (2026-03-28T18:40:14Z) - Give Users the Wheel: Towards Promptable Recommendation Paradigm [21.39017335979666]
Decoupled Promptable Sequential Recommendation (DPR)は、従来のシーケンシャルバックボーンにPromptable Recommendationをサポートするためのモデルに依存しないフレームワークである。
DPRは、潜在ユーザ表現を検索空間内で直接変調する。
プロンプト誘導タスクにおいて、最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-21T18:41:28Z) - RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment [23.738860191046538]
マルチモーダルなレコメンデーションのための新しい2つのセマンティックアライメントフレームワークRecGOATを提案する。
RecGOATは、我々の理論的洞察を実証的に検証し、最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-01-31T11:58:38Z) - Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。
具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
論文 参考訳（メタデータ） (2025-11-24T04:10:46Z) - Heterogeneous User Modeling for LLM-based Recommendation [70.52873882470328]
オープンドメインレコメンデーションを進める上で重要な課題は、ユーザの不均一な振る舞いからユーザの好みを効果的にモデル化することだ。
IDベースやセマンティックベースモデリングなど、既存のアプローチでは、一般化の貧弱さに悩まされている。
圧縮エンハンサーとロバストネスエンハンサーを組み込んだヘテロジニアス・ユーザ・モデリング(HUM)手法を提案する。
論文 参考訳（メタデータ） (2025-07-07T03:08:28Z) - Embed Progressive Implicit Preference in Unified Space for Deep Collaborative Filtering [13.24227546548424]
GNOLR(Generalized Neural Ordinal Logistic Regression)は、ユーザエンゲージメントの構造的進行を捉えるために提案されている。
GNOLRは予測精度を高め、ユーザのエンゲージメントの進行を捉え、検索プロセスを単純化する。
10の実世界のデータセットでの実験では、GNOLRは効率と適応性において最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2025-05-27T08:43:35Z) - Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation [72.73379646418435]
クロスドメインシーケンシャルレコメンデーションは、ドメイン間でのユーザのシーケンシャルな好みを明らかにすることを目的としている。
ミスアライメントアイテム表現は、サブ最適シーケンシャルモデリングとユーザ表現アライメントにつながる可能性がある。
textbfCross- domain item representation textbfAlignment for textbfCross-textbfDomain textbfSequential textbfRecommendationを提案する。
論文 参考訳（メタデータ） (2024-05-21T03:25:32Z) - RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。
本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。
効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
論文 参考訳（メタデータ） (2023-11-18T03:05:43Z)
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。