論文の概要: Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising

• arxiv url: http://arxiv.org/abs/2604.24048v1
• Date: Mon, 27 Apr 2026 05:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.750207
• Title: Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising
• Title（参考訳）: 信号としての診断:シークエンシャルレコメンデーションのためのデュアルビュー校正
• Authors: Sijia Li, Min Gao, Zongwei Wang, Zhiyi Liu, Xin Xia, Yi Zhang,
• Abstract要約: シークエンシャルレコメンデーションは、時間的ユーザ意図とアイテムレベルのトランジションパターンをキャプチャすることで、ユーザ関心の進化をモデル化することを目指している。 トランスフォーマーベースのレコメンダは、長距離および解釈可能な依存関係を学習する上で強力な能力を示すが、ユーザの真の嗜好に反する行動ノイズに弱いままである。 近年の大規模言語モデル (LLM) に基づくアプローチは,静的セマンティック編集によって相互作用履歴を識別しようとする。
• 参考スコア（独自算出の注目度）: 14.496987182588503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation seeks to model the evolution of user interests by capturing temporal user intent and item-level transition patterns. Transformer-based recommenders demonstrate a strong capacity for learning long-range and interpretable dependencies, yet remain vulnerable to behavioral noise that is misaligned with users' true preferences. Recent large language model (LLM)-based approaches attempt to denoise interaction histories through static semantic editing. Such methods neglect the learning dynamics of recommendation models and fail to account for the evolving nature of user interests. To address this limitation, we propose a Dual-view Calibration framework for Sequential Recommendation denoising (DC4SR). Specifically, we introduce a semantic prior, derived from an LLM fine-tuned via labeled historical interactions, to estimate the noise distribution from a semantic perspective. From the learning perspective, we further employ a model-side posterior that infers the noise distribution based on the model's learning dynamics. The disagreement between the two distributions is then leveraged to jointly refine semantic understanding and learning-aware model-side representations. Through iterative updates, dynamic dual-view calibration is achieved for both the global semantic prior and the model-side posterior, enabling consistent alignment with evolving user interests. Extensive experiments demonstrate that DC4SR consistently outperforms strong Transformer-based recommenders and LLM-based denoising methods, exhibiting enhanced robustness across training stages and noise conditions.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、時間的ユーザ意図とアイテムレベルのトランジションパターンをキャプチャすることで、ユーザ関心の進化をモデル化することを目指している。 トランスフォーマーベースのレコメンダは、長距離および解釈可能な依存関係を学習する上で強力な能力を示すが、ユーザの真の嗜好に反する行動ノイズに弱いままである。 近年の大規模言語モデル (LLM) に基づくアプローチは,静的セマンティック編集によって相互作用履歴を識別しようとする。 このような手法は、レコメンデーションモデルの学習力学を無視し、ユーザの興味の進化の性質を説明できない。 この制限に対処するために、シークエンシャルレコメンデーション・デノイング(DC4SR)のためのデュアルビュー校正フレームワークを提案する。 具体的には,ラベル付き史的相互作用によって微調整されたLLMから導かれるセマンティックな先行性を導入し,セマンティックな視点からノイズ分布を推定する。 学習の観点からは、モデルの学習力学に基づいて雑音分布を推定するモデル側後部を用いる。 この2つの分布の相違は、意味的理解と学習対応モデル側表現の融合に活用される。 反復的な更新によって、グローバルセマンティクスとモデル側後部の両方で動的デュアルビューキャリブレーションが達成され、進化するユーザ関心と整合することが可能になる。 大規模な実験により、DC4SRはトランスフォーマーをベースとした強力なレコメンデータやLLMをベースとしたデノナイジング手法を一貫して上回り、訓練段階と騒音条件をまたいだ堅牢性を示すことが示された。

関連論文リスト

• Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
  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。
  論文  参考訳（メタデータ） (2026-04-16T03:20:11Z)
• Semantics-Aware Denoising: A PLM-Guided Sample Reweighting Strategy for Robust Recommendation [4.631922211808715]
  ユーザクリックのような暗黙のフィードバックは、現代のレコメンデータシステムの主要なデータソースとして機能する。 本稿では,ユーザの関心事とアイテムコンテンツ間のセマンティックな一貫性を活用して,潜在的ノイズのあるインタラクションを識別し,ダウンウェイトするSAID(Semantics-Aware Implicit Denoising)を提案する。 2つの実世界のデータセットの実験は、SAIDが強いベースラインよりもAUCの2.2%の相対的な改善を達成し、リコメンデーションパフォーマンスを継続的に改善することを示した。
  論文  参考訳（メタデータ） (2026-02-17T04:58:21Z)
• Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
  本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。 具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
  論文  参考訳（メタデータ） (2025-11-24T04:10:46Z)
• Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
  本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。 大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。 我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-15T03:22:03Z)
• SRA-CL: Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation [23.050104678143935]
  SRA-CL(Semantic Retrieval Augmented Contrastive Learning)という新しい手法を提案する。 SRA-CLはLLMのセマンティック理解と推論機能を活用し、ユーザの好みやアイテムの特徴をキャプチャする表現的な埋め込みを生成する。 SRA-CLはプラグイン・アンド・プレイの設計を採用しており、既存のシーケンシャルレコメンデーションアーキテクチャとシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-03-06T07:25:19Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• 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。