論文の概要: ID and Graph View Contrastive Learning with Multi-View Attention Fusion for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.14114v1
• Date: Wed, 15 Apr 2026 17:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.659814
• Title: ID and Graph View Contrastive Learning with Multi-View Attention Fusion for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのための多視点注意融合を用いたIDとグラフビューのコントラスト学習
• Authors: Xiaofan Zhou, Kyumin Lee,
• Abstract要約: 逐次レコメンデーションのためのマルチビューコントラスト学習(MVCrec)を提案する。 MVCrecには、シーケンシャルビュー、グラフビュー、ビューの3つの対照的な目標が含まれている。 学習した表現を効果的に融合するために,多視点アテンション融合モジュールを導入する。
• 参考スコア（独自算出の注目度）: 3.3128364121053973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommendation has become increasingly prominent in both academia and industry, particularly in e-commerce. The primary goal is to extract user preferences from historical interaction sequences and predict items a user is likely to engage with next. Recent advances have leveraged contrastive learning and graph neural networks to learn more expressive representations from interaction histories -- graphs capture relational structure between nodes, while ID-based representations encode item-specific information. However, few studies have explored multi-view contrastive learning between ID and graph perspectives to jointly improve user and item representations, especially in settings where only interaction data is available without auxiliary information. To address this gap, we propose Multi-View Contrastive learning for sequential recommendation (MVCrec), a framework that integrates complementary signals from both sequential (ID-based) and graph-based views. MVCrec incorporates three contrastive objectives: within the sequential view, within the graph view, and across views. To effectively fuse the learned representations, we introduce a multi-view attention fusion module that combines global and local attention mechanisms to estimate the likelihood of a target user purchasing a target item. Comprehensive experiments on five real-world benchmark datasets demonstrate that MVCrec consistently outperforms 11 state-of-the-art baselines, achieving improvements of up to 14.44\% in NDCG@10 and 9.22\% in HitRatio@10 over the strongest baseline. Our code and datasets are available at https://github.com/sword-Lz/MMCrec.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、学術と産業の両方、特にeコマースにおいてますます顕著になっている。 主な目標は、履歴的なインタラクションシーケンスからユーザの好みを抽出し、ユーザが次に関与する可能性のあるアイテムを予測することである。 グラフはノード間の関係構造をキャプチャし、IDベースの表現はアイテム固有の情報をエンコードする。 しかし、ユーザとアイテムの表現を協調的に改善するために、IDとグラフの視点のマルチビューコントラスト学習を探索する研究はほとんどない。 このギャップに対処するために、シーケンシャル(IDベース)とグラフベース(グラフベース)の両方から補完的な信号を統合するフレームワークであるシーケンシャルレコメンデーションのためのマルチビューコントラスト学習(MVCrec)を提案する。 MVCrecには、シーケンシャルビュー、グラフビュー、ビューの3つの対照的な目標が含まれている。 学習した表現を効果的に融合させるために,グローバル・ローカル・アテンション・メカニズムを組み合わせた多視点アテンション・フュージョン・モジュールを導入する。 5つの実世界のベンチマークデータセットに関する総合的な実験によると、MVCrecは11の最先端ベースラインを一貫して上回り、NDCG@10では14.44倍、HitRatio@10では9.22倍に改善されている。 私たちのコードとデータセットはhttps://github.com/sword-Lz/MMCrec.comで公開されています。

関連論文リスト

• Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions [2.9633211091806997]
  我々は,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,シーケンシャルレコメンデーションのための堅牢なアイテム埋め込みを生成する。 当社のアプローチは,データ拡張のためのGAN(Generative Adrial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。 ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。
  論文  参考訳（メタデータ） (2025-03-23T06:30:48Z)
• Graph Contrastive Learning on Multi-label Classification for Recommendations [34.785207813971134]
  マルチラベル分類のためのグラフコントラスト学習モデル(MCGCL)を提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。 マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2025-01-13T00:29:29Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Deep Contrastive Learning for Multi-View Network Embedding [20.035449838566503]
  マルチビューネットワーク埋め込みは、ネットワーク内のノードを低次元ベクトルに投影することを目的としている。 ほとんどの対照的な学習ベースの手法は、主に高品質なグラフ埋め込みに依存している。 マルチビューネットワーク埋め込み(CREME)のための新しいノード間コントラスト学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2021-08-16T06:29:18Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。