論文の概要: RoTE: Coarse-to-Fine Multi-Level Rotary Time Embedding for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.13389v1
• Date: Wed, 15 Apr 2026 01:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.345669
• Title: RoTE: Coarse-to-Fine Multi-Level Rotary Time Embedding for Sequential Recommendation
• Title（参考訳）: RoTE: シーケンシャルレコメンデーションのための粗大なマルチレベルロータリー時間埋め込み
• Abstract要約: 我々は,情報空間を連続的にモデル化する新しいマルチレベル時間埋め込みモジュールRoTEを提案する。 RoTEは、各相互作用のタイムスタンプを粗いものから細かいものまで、複数の時間的粒度に分解し、結果の時間的表現をアイテムの埋め込みに組み込む。
• 参考スコア（独自算出の注目度）: 17.10655350843282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommendation models have been widely adopted for modeling user behavior. Existing approaches typically construct user interaction sequences by sorting items according to timestamps and then model user preferences from historical behaviors. While effective, such a process only considers the order of temporal information but overlooks the actual time spans between interactions, resulting in a coarse representation of users' temporal dynamics and limiting the model's ability to capture long-term and short-term interest evolution. To address this limitation, we propose RoTE, a novel multi-level temporal embedding module that explicitly models time span information in sequential recommendation. RoTE decomposes each interaction timestamp into multiple temporal granularities, ranging from coarse to fine, and incorporates the resulting temporal representations into item embeddings. This design enables models to capture heterogeneous temporal patterns and better perceive temporal distances among user interactions during sequence modeling. RoTE is a lightweight, plug-and-play module that can be seamlessly integrated into existing Transformer-based sequential recommendation models without modifying their backbone architectures. We apply RoTE to several representative models and conduct extensive experiments on three public benchmarks. Experimental results demonstrate that RoTE consistently enhances the corresponding backbone models, achieving up to a 20.11% improvement in NDCG@5, which confirms the effectiveness and generality of the proposed approach. Our code is available at https://github.com/XiaoLongtaoo/RoTE.
• Abstract（参考訳）: ユーザの振る舞いをモデル化するために、シーケンシャルレコメンデーションモデルが広く採用されている。 既存のアプローチは通常、アイテムをタイムスタンプに従ってソートし、過去の行動からユーザー好みをモデル化することでユーザーインタラクションシーケンスを構築する。 効果はあるものの、そのようなプロセスは時間情報の順序のみを考慮し、相互作用間の実際の時間を見落とし、結果としてユーザの時間的ダイナミクスの粗い表現と、長期的および短期的な関心の進化を捉えるモデルの能力を制限する。 この制限に対処するため,逐次レコメンデーションで時間スパン情報を明示的にモデル化する,新しいマルチレベル時間埋め込みモジュールRoTEを提案する。 RoTEは、各相互作用のタイムスタンプを粗いものから細かいものまで、複数の時間的粒度に分解し、結果の時間的表現をアイテムの埋め込みに組み込む。 この設計により、モデルが不均一な時間パターンをキャプチャし、シーケンスモデリング中のユーザインタラクション間の時間的距離をよりよく知覚することができる。 RoTEは軽量なプラグアンドプレイモジュールで、バックボーンアーキテクチャを変更することなく、既存のTransformerベースのシーケンシャルレコメンデーションモデルにシームレスに統合することができる。 いくつかの代表モデルにRoTEを適用し、3つの公開ベンチマークで広範な実験を行う。 実験の結果、RoTEは対応するバックボーンモデルを一貫して強化し、NDCG@5の最大20.11%の改善を実現し、提案手法の有効性と汎用性を確認した。 私たちのコードはhttps://github.com/XiaoLongtaoo/RoTE.comで公開されています。

関連論文リスト

• QuITE: Query-Based Irregular Time Series Embedding [0.0]
  IMTS用の簡易かつ効果的なプラグアンドプレイ埋め込みモジュールQuITE(Query-Based Irregular Time Series Embedding)を紹介する。 QuITEは学習可能なクエリトークンを使用して、単一の自己アテンション層を通じて不規則な観測を集約する。 実験の結果、QuITEはMCSモデルを継続的に改善し、予測値の平均相対利得は54.7%、分類値が15.8%である。
  論文  参考訳（メタデータ） (2026-05-27T08:48:58Z)
• Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation [6.846413131554734]
  属性対応シーケンシャルレコメンデーションでは、ユーザが過去のインタラクションの時系列的に順序付けられた履歴に基づいて、次に対話するアイテムを予測する。 既存の方法は典型的には、シーケンス全体を統一表現に集約するために自己認識機構を利用する。 本稿では,畳み込み層を階層的かつ低スケールに利用して,コンパクトかつ表現力のあるシーケンス表現を生成するConvRecを提案する。
  論文  参考訳（メタデータ） (2026-05-06T10:18:43Z)
• Rotate Both Ways: Time-and-Order RoPE for Generative Recommendation [9.269504890660306]
  ジェネレーティブレコメンダ(典型的にはトランスフォーマーベースの自己回帰モデル)は、ユーザのインタラクション履歴から次の項目やアクションを予測する。 適切な設計をすれば、RoPEベースのアプローチは、時間的およびシーケンシャルな情報を共同でモデル化するより強力な代替手段になり得る、と我々は主張する。 アーリーフュージョン、スプリット・バイ・ダイム、スプリット・バイ・ヘッドの3つのインスタンスを提示する。
  論文  参考訳（メタデータ） (2025-10-23T11:44:56Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
  本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。 本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。 リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
  論文  参考訳（メタデータ） (2025-05-08T07:52:37Z)
• tempdisagg: A Python Framework for Temporal Disaggregation of Time Series Data [0.0]
  tempdisaggは時系列データの時間分解のためのPythonフレームワークである。 低周波集約を一貫した高周波推定に変換する。
  論文  参考訳（メタデータ） (2025-03-28T00:15:52Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• 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)
• Time-based Sequence Model for Personalization and Recommendation Systems [6.484371238475296]
  我々は時間情報を明確に組み込んだ新しい推薦モデルを開発した。 このモデルは、異なるベクトル空間の内部積を持つ埋め込み層とTSLアテンションのようなメカニズムに依存している。 Taobao User Behavior データセットでは,シーケンス長が長い複雑なモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-27T05:46:47Z)
• MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation [12.386304516106854]
  自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。 これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。 本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
  論文  参考訳（メタデータ） (2020-08-19T05:32:14Z)

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。