論文の概要: Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.14581v1
• Date: Thu, 16 Apr 2026 03:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.705105
• Title: Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation
• Title（参考訳）: 不均一なシーケンスレコメンデーションのための行動認識型デュアルチャネル選好学習
• Authors: Jing Xiao, Dongqi Wu, Liwei Pan, Yawen Luo, Weike Pan, Zhong Ming,
• Abstract要約: 不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。 重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。 我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
• 参考スコア（独自算出の注目度）: 18.573543141847317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous sequential recommendation (HSR) aims to learn dynamic behavior dependencies from the diverse behaviors of user-item interactions to facilitate precise sequential recommendation. Despite many efforts yielding promising achievements, there are still challenges in modeling heterogeneous behavior data. One significant issue is the inherent sparsity of a real-world data, which can weaken the recommendation performance. Although auxiliary behaviors (e.g., clicks) partially address this problem, they inevitably introduce some noise, and the sparsity of the target behavior (e.g., purchases) remains unresolved. Additionally, contrastive learning-based augmentation in existing methods often focuses on a single behavior type, overlooking fine-grained user preferences and losing valuable information. To address these challenges, we have meticulously designed a behavior-aware dual-channel preference learning framework (BDPL). This framework begins with the construction of customized behavior-aware subgraphs to capture personalized behavior transition relationships, followed by a novel cascade-structured graph neural network to aggregate node context information. We then model and enhance user representations through a preference-level contrastive learning paradigm, considering both long-term and short-term preferences. Finally, we fuse the overall preference information using an adaptive gating mechanism to predict the next item the user will interact with under the target behavior. Extensive experiments on three real-world datasets demonstrate the superiority of our BDPL over the state-of-the-art models.
• Abstract（参考訳）: 不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。 有望な成果をもたらす多くの努力にもかかわらず、異種行動データのモデリングには依然として課題がある。 重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。 補助的な動作(例えばクリック)は部分的にこの問題に対処するが、必然的にノイズが発生し、ターゲットの動作(例えば購入)の空間性は未解決のままである。 さらに、既存の手法における対照的な学習ベースの拡張は、しばしば単一の行動タイプに焦点を合わせ、きめ細かいユーザの好みを見落とし、貴重な情報を失う。 これらの課題に対処するため、我々は行動認識型双方向優先学習フレームワーク(BDPL)を慎重に設計した。 このフレームワークは、パーソナライズされた行動遷移関係をキャプチャするためのカスタマイズされた行動認識サブグラフの構築から始まり、続いてノードコンテキスト情報を集約する新しいカスケード構造化グラフニューラルネットワークが続く。 次に、長期と短期の両方の嗜好を考慮して、嗜好レベルのコントラスト学習パラダイムを用いて、ユーザ表現をモデル化し、拡張する。 最後に、アダプティブゲーティング機構を用いて全体的な嗜好情報を融合し、ユーザが対象行動下で対話する次の項目を予測する。 3つの実世界のデータセットに対する大規模な実験は、最先端のモデルよりもBDPLの方が優れていることを示している。

関連論文リスト

• From Agnostic to Specific: Latent Preference Diffusion for Multi-Behavior Sequential Recommendation [28.437926520491445]
  マルチビヘイビアシーケンシャルレコメンデーション(MBSR)は,ユーザのマルチビヘイビアシーケンスの動的および異種相互作用を学習することを目的としている。 最近の懸念は、行動修正から行動特異的なレコメンデーションへとシフトしている。 我々は、好み生成を導くフレームワークベースの拡散モデルである textbfFatsMB を提案する。
  論文  参考訳（メタデータ） (2026-02-26T15:48:09Z)
• Towards Multi-Behavior Multi-Task Recommendation via Behavior-informed Graph Embedding Learning [13.503641677199857]
  マルチビヘイビアレコメンデーション(MBR)は、補助行動(例えば、クリック、お気に入り)を活用することにより、目標行動(購入)の性能を向上させることを目的としている。 現実のシナリオでは、レコメンデーションメソッドは、しばしば異なるタイプの振る舞いを処理し、各タスク(例えば、各行動タイプ)に対してパーソナライズされたリストを生成する必要がある。
  論文  参考訳（メタデータ） (2026-01-12T08:04:08Z)
• BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation [15.457239237638985]
  BLADEは、データの分散を緩和しながらマルチ振る舞いモデリングを強化するフレームワークである。 入力レベルと中間レベルの両方で動作情報を組み込んだデュアルアイテム・ビヘイビア融合アーキテクチャを提案する。 3つの行動レベルのデータ拡張手法は、コアアイテムシーケンスではなく、振舞いシーケンスを直接操作する。
  論文  参考訳（メタデータ） (2025-12-15T04:02:53Z)
• Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
  本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。 本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。 実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-21T08:53:49Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• 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。