論文の概要: TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2604.09439v1
- Date: Fri, 10 Apr 2026 15:55:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.947086
- Title: TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
- Title（参考訳）: TME-PSR:シークエンシャルレコメンデーションのための時間認識・多目的・説明パーソナライゼーション
- Authors: Qingzhuo Wang, Leilei Wen, Juntao Chen, Kunyu Peng, Ruiyang Qin, Zhihua Wei, Wen Shen,
- Abstract要約: 我々は、パーソナライズされたシーケンスレコメンデーション(TME-PSR)のための、タイムアウェアのパーソナライズ、マルチ関心パーソナライズ、説明パーソナライズを統合したシーケンシャルレコメンデーションモデルを提案する。
提案手法は,より少ない計算コストで,レコメンデーション精度と説明品質を継続的に改善する。
- 参考スコア（独自算出の注目度）: 18.256420931120264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a sequential recommendation model that integrates Time-aware personalization, Multi-interest personalization, and Explanation personalization for Personalized Sequential Recommendation (TME-PSR). That is, we consider the differences across different users in temporal rhythm preference, multiple fine-grained latent interests, and the personalized semantic alignment between recommendations and explanations. Specifically, the proposed TME-PSR model employs a dual-view gated time encoder to capture personalized temporal rhythms, a lightweight multihead Linear Recurrent Unit architecture that enables fine-grained sub-interest modeling with improved efficiency, and a dynamic dual-branch mutual information weighting mechanism to achieve personalized alignment between recommendations and explanations. Extensive experiments on real-world datasets demonstrate that our method consistently improves recommendation accuracy and explanation quality, at a lower computational cost.
- Abstract（参考訳）: 本稿では、TME-PSR(Personalized Sequential Recommendation)のための、タイムアウェアのパーソナライズ、マルチ関心パーソナライズ、説明パーソナライズを統合したシーケンシャルレコメンデーションモデルを提案する。
すなわち、時間的リズムの嗜好における異なるユーザ間の違い、複数の微粒な潜在関心、そしてレコメンデーションと説明のパーソナライズされたセマンティックアライメントについて考察する。
具体的には、TME-PSRモデルでは、パーソナライズされた時間リズムをキャプチャするためのデュアルビューゲート時間エンコーダ、効率を向上した細粒度サブ関心モデリングを可能にする軽量なマルチヘッド線形リカレントユニットアーキテクチャ、そしてレコメンデーションと説明の間のパーソナライズされたアライメントを実現するための動的デュアルブランチ相互情報重み付け機構を用いている。
実世界のデータセットに対する大規模な実験により,提案手法はより少ない計算コストで,推奨精度と説明品質を継続的に改善することを示した。
関連論文リスト
- RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。
関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。
逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
論文 参考訳（メタデータ） (2026-01-29T12:14:31Z) - Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling [10.757287948514604]
本稿では,協調情報を学習項目表現に直接統合するコントラストトークン化手法を提案する。
また、アイテムデコーディングからタイムラインモデリングを分離する軽量な音声インスパイアされた生成モデルであるMARIUSを提案する。
論文 参考訳（メタデータ） (2025-08-12T17:06:55Z) - Dual-disentangle Framework for Diversified Sequential Recommendation [16.688375054719767]
DDSRec(Diversified Sequential Recommendation)のためのモデルに依存しないDual-Disanglingフレームワークを提案する。
このフレームワークは、相互作用モデリングと表現において不合理な視点を採用することにより、ユーザ関心と意図モデリングを洗練させる。
論文 参考訳（メタデータ） (2025-08-05T07:25:56Z) - 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) - STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。
STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-05-06T12:40:38Z) - Semantic Codebook Learning for Dynamic Recommendation Models [55.98259490159084]
動的シーケンシャルレコメンデーション(DSR)は、ユーザの振る舞いに基づいてモデルパラメータを生成し、シーケンシャルレコメンデーションのパーソナライズを改善する。
巨大なパラメータ探索空間と疎結合でノイズの多いユーザ-イテム相互作用の課題に直面するため、生成されたモデルパラメータの適用性が低下する。
Semantic Codebook Learning for Dynamic Recommendation Models (SOLID)フレームワークは、これらの課題に効果的に取り組むことで、DSRの大幅な進歩を示す。
論文 参考訳（メタデータ） (2024-07-31T19:25:25Z) - Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。
Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
論文 参考訳（メタデータ） (2023-06-21T02:42:37Z) - Attention Mixtures for Time-Aware Sequential Recommendation [10.017195276758454]
トランスフォーマーはシーケンシャルなレコメンデーションのための強力な方法として登場した。
改良された Transformer シーケンシャルレコメンデータシステムである MOJITO を導入する。
いくつかの実世界のデータセットで逐次レコメンデーションを行うために、既存のTransformerを実証的に上回ることによって、我々のアプローチの妥当性を実証する。
論文 参考訳（メタデータ） (2023-04-17T11:11:19Z) - Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。
提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
論文 参考訳（メタデータ） (2022-12-01T02:26:34Z)
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。