論文の概要: Learning Behaviorally Grounded Item Embeddings via Personalized Temporal Contexts

• arxiv url: http://arxiv.org/abs/2604.15581v1
• Date: Thu, 16 Apr 2026 23:28:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.676927
• Title: Learning Behaviorally Grounded Item Embeddings via Personalized Temporal Contexts
• Title（参考訳）: パーソナライズされた時間文脈による行動的接地アイテム埋め込みの学習
• Authors: Rafael T. Sereicikas, Pedro R. Pires, Gregorio F. Azevedo, Tiago A. Almeida,
• Abstract要約: TAI2Vec(Time-Aware Item-to-SID)は,時間的近接性を直接表現プロセスに統合する軽量な埋め込みモデルである。 我々は、TAI2Vecが静的ベースラインよりも正確で行動に根ざした表現を一貫して生成し、データセットの80%以上で競争力や優れたパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 1.4174475093445233
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective user modeling requires distinguishing between short-term and long-term preference evolution. While item embeddings have become a key component of recommender systems, standard approaches like Item2Vec treat user histories as unordered sets (bag-of-items), implicitly assuming that interactions separated by minutes are as semantically related as those separated by months. This simplification flattens the rich temporal structure of user behavior, obscuring the distinction between coherent consumption sessions and gradual interest drifts. In this work, we introduce TAI2Vec (Time-Aware Item-to-Vector), a family of lightweight embedding models that integrates temporal proximity directly into the representation learning process. Unlike approaches that apply global time constraints, TAI2Vec is user-adaptive, tailoring its temporal definitions to individual interaction paces. We propose two complementary strategies: TAI2Vec-Disc, which utilizes personalized anomaly detection to dynamically segment interactions into semantic sessions, and TAI2Vec-Cont, which employs continuous, user-specific decay functions to weigh item relationships based on their relative temporal distance. Experimental results across eight diverse datasets demonstrate that TAI2Vec consistently produces more accurate and behaviorally grounded representations than static baselines, achieving competitive or superior performance in over 80% of the datasets, with improvements of up to 135%. The source code is publicly available at https://github.com/UFSCar-LaSID/tai2vec.
• Abstract（参考訳）: 効果的なユーザモデリングには、短期と長期の好みの進化を区別する必要がある。 アイテムの埋め込みはレコメンデーションシステムの重要なコンポーネントとなっているが、Item2Vecのような標準的なアプローチでは、ユーザー履歴を未順序集合(bag-of-items)として扱う。 この単純化は、ユーザの行動の豊富な時間構造をフラット化し、コヒーレントな消費セッションと段階的な関心の漂流の区別を無視する。 本研究では,時間的近接性を直接表現学習プロセスに統合する軽量な埋め込みモデルであるTAI2Vec(Time-Aware Item-to-Vector)を紹介する。 グローバルな時間制約を適用するアプローチとは異なり、TAI2Vecはユーザ適応型であり、時間的定義を個々のインタラクションペースに合わせる。 本稿では,対話をセマンティックセッションに動的にセグメント化するためにパーソナライズされた異常検出を利用するTAI2Vec-Discと,その相対時間的距離に基づいてアイテム関係を測るためにユーザ固有の減衰関数を利用するTAI2Vec-Contの2つの補完戦略を提案する。 8つの多様なデータセットに対する実験結果から、TAI2Vecは静的ベースラインよりも正確で行動的に基礎付けられた表現を一貫して生成し、データセットの80%以上で競争力や優れたパフォーマンスを実現し、最大135%の改善を実現している。 ソースコードはhttps://github.com/UFSCar-LaSID/tai2vec.comで公開されている。

関連論文リスト

• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
  自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。 本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。 具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
  論文  参考訳（メタデータ） (2025-06-11T14:23:47Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• Dynamically Updating Event Representations for Temporal Relation Classification with Multi-category Learning [35.27714529976667]
  時間的関係分類は、2つの言及間の時間的リンク(Tlink)の関係を特定するためのペアワイズタスクである。 本稿では,複数のTlinkカテゴリにまたがる動的イベント表現を管理するイベント中心モデルを提案する。 提案手法は,英語と日本語の両方のデータに基づいて,最先端のモデルと2つの転移学習ベースラインより優れている。
  論文  参考訳（メタデータ） (2023-10-31T07:41:24Z)
• 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)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRedと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T16:04:46Z)

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。