論文の概要: WPGRec: Wavelet Packet Guided Graph Enhanced Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.21305v1
• Date: Thu, 23 Apr 2026 05:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.32157
• Title: WPGRec: Wavelet Packet Guided Graph Enhanced Sequential Recommendation
• Title（参考訳）: WPGRec: Wavelet Packed Graph 拡張シーケンスレコメンデーション
• Authors: Peilin Liu, Zhiquan Ji, Gang Yan,
• Abstract要約: シークエンシャルレコメンデーションは、ノイズや非定常的なインタラクションストリームからユーザの興味をモデル化することを目的としている。 我々はWavelet Packet Guided Graph Enhanced Sequential Recommendation (WPGRec)を提案する。 WPGRecは、同じ長さのシフト不変なサブバンドシーケンスを生成するために、完全ツリーで非効率な定常ウェーブレットパケット変換を適用している。 そして、高次協調情報を注入するためにサブバンドワイドな相互作用グラフ伝搬を行う。
• 参考スコア（独自算出の注目度）: 9.195401107720498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation aims to model users' evolving interests from noisy and non-stationary interaction streams, where long-term preferences, short-term intents, and localized behavioral fluctuations may coexist across temporal scales. Existing frequency-domain methods mainly rely on either global spectral operations or filter-based wavelet processing. However, global spectral operations tend to entangle local transients with long-range dependencies, while filter-based wavelet pipelines may suffer from temporal misalignment and boundary artifacts during multi-scale decomposition and reconstruction. Moreover, collaborative signals from the user-item interaction graph are often injected through scale-inconsistent auxiliary modules, limiting the benefit of jointly modeling temporal dynamics and structural dependencies. To address these issues, we propose Wavelet Packet Guided Graph Enhanced Sequential Recommendation (WPGRec), a unified time-frequency and graph-enhanced framework that aligns multi-resolution temporal modeling with graph propagation at matching scales. WPGRec first applies a full-tree undecimated stationary wavelet packet transform to generate equal-length, shift-invariant subband sequences. It then performs subband-wise interaction-graph propagation to inject high-order collaborative information while preserving temporal alignment across resolutions. Finally, an energy- and spectral-flatness-aware gated fusion module adaptively aggregates informative subbands and suppresses noise-like components. Extensive experiments on four public benchmarks show that WPGRec consistently outperforms sequential and graph-based baselines, with particularly clear gains on sparse and behaviorally complex datasets, highlighting the effectiveness of band-consistent structure injection and adaptive subband fusion for sequential recommendation.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、長期的嗜好、短期的意図、局所的行動変動が時間的スケールで共存する可能性のある、ノイズや非定常的相互作用ストリームから、ユーザの進化する関心をモデル化することを目的としている。 既存の周波数領域法は主に大域スペクトル演算またはフィルタベースのウェーブレット処理に依存する。 しかし、大域的なスペクトル演算は、時間的ずれや境界アーチファクトによるフィルタベースのウェーブレットパイプラインは、マルチスケールの分解と再構成において、局所的な過渡現象と長距離依存性を絡み合わせる傾向にある。 さらに、ユーザとイテムの相互作用グラフからの協調的なシグナルは、しばしばスケール一貫性のない補助モジュールを通して注入され、時間的ダイナミクスと構造的依存関係を共同でモデル化する利点が制限される。 これらの問題に対処するため,Wavelet Packet Guided Graph Enhanced Sequential Recommendation (WPGRec) を提案する。 WPGRecは、まず、同じ長さのシフト不変なサブバンド列を生成するために、ツリーを非エミュレートした定常ウェーブレットパケット変換を適用する。 その後、サブバンドワイドな相互作用グラフ伝搬を行い、高次協調情報を注入し、分解能間の時間的アライメントを保存する。 最後に、エネルギー及びスペクトル平坦性を考慮したゲート融合モジュールは、情報サブバンドを適応的に集約し、ノイズ様成分を抑制する。 4つの公開ベンチマークでの大規模な実験により、WPGRecはシーケンシャルとグラフベースのベースラインを一貫して上回り、特にスパースとビヘイビアに複雑なデータセットで顕著なゲインを示し、連続的な推奨のためにバンド一貫性構造注入と適応サブバンド融合の有効性を強調した。

関連論文リスト

• Wavelet Enhanced Adaptive Frequency Filter for Sequential Recommendation [9.48001653858777]
  逐次レコメンデーションのためのウェーブレット拡張適応周波数フィルタという新しい手法を提案する。 動的周波数領域フィルタリングとウェーブレット機能強化の2つの重要なモジュールで構成されている。
  論文  参考訳（メタデータ） (2025-11-10T12:22:33Z)
• Exploiting Inter-Session Information with Frequency-enhanced Dual-Path Networks for Sequential Recommendation [13.302194364808514]
  本稿では、シーケンシャルレコメンデーションのための周波数拡張デュアルパスネットワークであるFreqRecを提案する。 FreqRecは、学習可能な周波数ドメイン多層パーセプトロンを介して、セッション間およびセッション内動作をキャプチャする。 クロスエントロピーと周波数領域の整合性損失を組み合わせた合成目的の下で最適化されている。
  論文  参考訳（メタデータ） (2025-11-09T08:39:26Z)
• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• Long-Range Graph Wavelet Networks [48.591533900586626]
  グラフ機械学習では、長距離インタラクションが中心的な課題である。 既存のウェーブレットベースのグラフニューラルネットワークは有限次近似に依存している。 本稿では、ウェーブレットを補完的なローカルおよびグローバルなコンポーネントに分解するLong-Range Graphlet Networks (LR-GWN)を提案する。
  論文  参考訳（メタデータ） (2025-09-08T14:35:30Z)
• GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation [19.275813818441506]
  本稿では,逐次的インフォームドグラフ構築を通じて時間遷移を統合するグラフスペクトルモデルGSPRecを紹介する。 GSPRecはマルチホップ拡散によってアイテム遷移を符号化し、スペクトル処理に対称ラプラシアンを使用できる。 ユーザの嗜好を捉えるために,ガウス帯域通過フィルタを用いて中頻度,ユーザレベルのパターンを抽出し,低域通過フィルタによりグローバルなトレンドを維持するという,二重フィルタ機構を設計する。
  論文  参考訳（メタデータ） (2025-05-15T15:49:56Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)

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。