論文の概要: CAST: Modeling Semantic-Level Transitions for Complementary-Aware Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.19414v1
• Date: Tue, 21 Apr 2026 12:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.769831
• Title: CAST: Modeling Semantic-Level Transitions for Complementary-Aware Sequential Recommendation
• Title（参考訳）: CAST:補足型シークエンシャルレコメンデーションのための意味レベル遷移のモデル化
• Authors: Qian Zhang, Lech Szymanski, Haibo Zhang, Jeremiah D. Deng,
• Abstract要約: 補完的な関係は、しばしば次の項目を予測するのに不可欠な信号を与える。 本稿では,意味レベル遷移に基づく新しいモデリングパラダイムを提案する。 複数のeコマースデータセットの実験は、我々のフレームワークが最先端のアプローチを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 3.9133310867939177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential Recommendation (SR) aims to predict the next interaction of a user based on their behavior sequence, where complementary relations often provide essential signals for predicting the next item. However, mainstream models relying on sparse co-purchase statistics often mistake spurious correlations (e.g., due to popularity bias) for true complementary relations. Identifying true complementary relations requires capturing the fine-grained item semantics (e.g., specifications) that simple cooccurrence statistics would be unable to model. While recent semantics-based methods utilize discrete semantic codes to represent items, they typically aggregate semantic codes into coarse item representations. This aggregation process blurs specific semantic details required to identify complementarity. To address these critical limitations and effectively leverage semantics for capturing reliable complementary relations, we propose a Complementary-Aware Semantic Transition (CAST) framework that introduces a new modeling paradigm built upon semantic-level transitions. Specifically, a semantic-level transition module is designed to model dynamic transitions directly in the discrete semantic code space, effectively capturing fine-grained semantic dependencies often lost in aggregated item representations. Then, a complementary prior injection module is designed to incorporate LLM-verified complementary priors into the attention mechanism, thereby prioritizing complementary patterns over co-occurrence statistics. Experiments on multiple e-commerce datasets demonstrate that CAST consistently outperforms the state-of-the-art approaches, achieving up to 17.6% Recall and 16.0% NDCG gains with 65x training acceleration. This validates its effectiveness and efficiency in uncovering latent item complementarity beyond statistics. The code will be released upon acceptance.
• Abstract（参考訳）: Sequential Recommendation (SR) は、ユーザの行動シーケンスに基づいて、次のインタラクションを予測することを目的としている。 しかし、スパース共購入統計に依存する主流モデルは、真の相補関係に対する急激な相関(例えば、人気バイアス)を誤ることが多い。 真の相補関係を識別するには、単純な共起統計がモデル化できないような、きめ細かい項目のセマンティクス(例:仕様)を取得する必要がある。 最近のセマンティクスベースの手法では、個々のセマンティクスコードを使ってアイテムを表現しているが、通常はセマンティクスコードを粗いアイテム表現に集約する。 この集約プロセスは、相補性を識別するために必要な特定の意味的詳細を曖昧にする。 これらの限界に対処し、信頼性の高い相補関係を捉えるためにセマンティクスを効果的に活用するために、セマンティクスレベルの遷移に基づいて構築された新しいモデリングパラダイムを導入した補足型意味遷移(CAST)フレームワークを提案する。 具体的には、セマンティックレベルのトランジションモジュールは、個別のセマンティックコード空間で直接動的トランジションをモデル化するように設計されており、集約されたアイテム表現でしばしば失われる微細なセマンティック依存関係を効果的にキャプチャする。 次に,LLMを検証した補完的事前注入モジュールをアテンション機構に組み込むことにより,共起統計よりも補完的パターンを優先する。 複数のeコマースデータセットの実験では、CASTは最先端のアプローチを一貫して上回り、17.6%のリコールと16.0%のNDCGゲインを65倍のトレーニングアクセラレーションで達成している。 これは、統計以外の潜在項目の相補性を明らかにする上での有効性と効率性を検証する。 コードは受理時にリリースされます。

関連論文リスト

• Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering [27.20519975467197]
  Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。 この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
  論文  参考訳（メタデータ） (2026-02-24T17:01:47Z)
• BBQRec: Behavior-Bind Quantization for Multi-Modal Sequential Recommendation [15.818669767036592]
  本稿では,2列列の量子化とセマンティックス・アウェア・シーケンス・モデリングを備えたBBQRec(Behavior-Bind Multi-modal Quantization for Sequential Recommendation)を提案する。 BBQRecは、コントラストのあるコードブック学習を通じて、ノイズの多いモダリティ特有の特徴からモダリティに依存しない行動パターンを分離する。 我々は、量子化された意味関係を用いて自己注意スコアを動的に調整する離散化類似度再重み付け機構を設計する。
  論文  参考訳（メタデータ） (2025-04-09T07:19:48Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• Representation Alignment Contrastive Regularization for Multi-Object Tracking [29.837560662395713]
  多目的追跡アルゴリズムのメインストリーム性能は、データアソシエーション段階における重時間関係のモデリングに依存する。 この研究は、深層学習に基づく時間的関係モデルを単純化し、データアソシエーション設計に解釈可能性を導入することを目的としている。
  論文  参考訳（メタデータ） (2024-04-03T08:33:08Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced Context-Aware Network [48.912196729711624]
  Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。 本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。 さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
  論文  参考訳（メタデータ） (2023-01-19T16:31:13Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)

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。