論文の概要: Similar Users-Augmented Interest Network

• arxiv url: http://arxiv.org/abs/2604.23810v1
• Date: Sun, 26 Apr 2026 17:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.56564
• Title: Similar Users-Augmented Interest Network
• Title（参考訳）: 類似のユーザ獲得型関心ネットワーク
• Authors: Xiaolong Chen, Haoyi Zhao, Xu Huang, Defu Lian,
• Abstract要約: 本稿では,SUIN(Similar Users-augmented Interest Network)と呼ばれる新しい手法を提案する。 ターゲットユーザの行動シーケンスを類似ユーザの行動で拡張し、クリックスルーレート(CTR)予測のためのユーザプロファイルを強化する。 広範に使用されている短期および長期の時系列ベンチマークデータセットの実験により、我々の手法は最先端のシーケンシャルCTRモデルよりも大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 47.00330480112879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through rate (CTR) prediction is one of the core tasks in recommender systems. User behavior sequences, as one of the most effective features, can accurately reflect user preferences and significantly improve prediction accuracy. Richer behavior sequences often enable more comprehensive user profiling, and recent studies have shown that scaling the length of user behavior sequence can yield substantial gains in CTR. However, due to the widespread sparsity in recommender systems, incomplete behavior sequences are common in real-world scenarios. Existing sequential modeling methods often rely solely on the target user's own behavior, and therefore struggle in such scenarios. This paper proposes a novel method called SUIN (Similar Users-augmented Interest Network), which enhances the target user's behavior sequence with behaviors from similar users to enhance the user profile for CTR prediction. Specifically, we use behavior embeddings encoded by a sequence encoder to retrieve users with similar behaviors from a user retrieval pool. The behavior sequences of these similar users are then concatenated with that of the target user in descending order of similarity to construct an augmented sequence. Given that the augmented sequence contains behaviors from multiple users, we propose a user-specific target-aware position encoding, which identifies the source user of each behavior and captures its relative position to the target item. Furthermore, to mitigate the empirically observed noise in similar users' behaviors, we design a user-aware target attention that jointly considers item-item and user-user correlations, fully exploiting the potential of the augmented behavior sequence. Comprehensive experiments on widely-used short-term and long-term sequence benchmark datasets demonstrate that our method significantly outperforms state-of-the-art sequential CTR models.
• Abstract（参考訳）: クリックスルー率(CTR)予測は、レコメンダシステムにおける中核的なタスクの1つである。 ユーザの行動シーケンスは、最も効果的な機能の1つとして、ユーザの好みを正確に反映し、予測精度を大幅に向上させることができる。 よりリッチな振舞いシーケンスは、より包括的なユーザプロファイリングを可能にし、最近の研究では、ユーザの振舞いシーケンスの長さを拡大することで、CTRにおいてかなりの利得が得られることが示されている。 しかし、レコメンデータシステムにおける広範囲性のため、現実のシナリオでは不完全行動列が一般的である。 既存のシーケンシャルなモデリング手法は、しばしばターゲットのユーザー自身の振る舞いにのみ依存するため、そのようなシナリオで苦労する。 本稿では,類似ユーザからの振る舞いを対象ユーザの行動系列に拡張し,CTR予測のためのユーザプロファイルを強化するSUIN(Similar Users-augmented Interest Network)という新しい手法を提案する。 具体的には、シーケンシャルエンコーダによって符号化された動作埋め込みを用いて、ユーザ検索プールから類似した動作を持つユーザを検索する。 そして、これらの類似ユーザの行動シーケンスを、類似性の下位順に対象ユーザの行動シーケンスと連結して、拡張シーケンスを構築する。 拡張シーケンスには複数のユーザからの動作が含まれていることを考慮し,各動作のソースユーザを特定し,その相対位置を対象項目にキャプチャする,ユーザ固有のターゲット認識位置符号化を提案する。 さらに、類似したユーザの行動における経験的ノイズを軽減するために、アイテム・イテムとユーザ・ユーザ間の相関を共同で考慮し、拡張行動系列の可能性を完全に活用するユーザ・アウェア・ターゲット・アテンションを設計する。 広範に使用されている短期および長期の時系列ベンチマークデータセットに関する総合的な実験により、我々の手法は最先端のCTRモデルよりも大幅に優れていることが示された。

関連論文リスト

• Unleashing the Potential of Sparse Attention on Long-term Behaviors for CTR Prediction [17.78352301235849]
  本研究では,ユーザの長期行動に特化して設計された効率的かつ効果的なモデルであるSparseCTRを提案する。 これらのチャンクに基づいて,ユーザのグローバルな関心を共同で識別する3枝のスパース自己認識機構を提案する。 SparseCTRは効率を向上するだけでなく、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-25T13:39:26Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Recommender Transformers with Behavior Pathways [50.842316273120744]
  Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。 実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-06-13T08:58:37Z)
• Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR Prediction [15.97120392599086]
  textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。 提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
  論文  参考訳（メタデータ） (2022-05-20T15:20:52Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)

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。