論文の概要: Time-Interval-Aware Disentangled Expert Modeling for Next-Basket Recommendation

• arxiv url: http://arxiv.org/abs/2605.00499v1
• Date: Fri, 01 May 2026 08:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.90591
• Title: Time-Interval-Aware Disentangled Expert Modeling for Next-Basket Recommendation
• Title（参考訳）: 次世代レコメンデーションのための時間インターバル対応遠絡エキスパートモデリング
• Authors: Zhiying Deng, Yuan Fu, Usman Farooq, Ziwei Tian, Wei Liu, Jianjun Li,
• Abstract要約: Next-Basket (NBR) は、ユーザーが過去のトランザクションバスケットシーケンスに基づいて購入するアイテムのセットを予測することを目的としたレコメンデーションの一種である。 それは、習慣的再購入と探索的関心という、2つの異なるユーザー意図の間の動的相互作用によって支配される。 これらの課題に対処するために、TimeInterval Disentangled Experts (TIDE)を提案する。
• 参考スコア（独自算出の注目度）: 16.792016367192392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Next-basket recommendation (NBR) is a type of recommendation that aims to predict a set of items a user will purchase based on their historical transaction basket sequences. It is governed by a dynamic interplay between two distinct user intents: habitual repurchase, which involves repeating past behaviors, and exploratory interest, which involves discovering new items. However, existing NBR methods generally suffer from two limitations: (1) they often entangle these conflicting motives within a single representation, causing habits to overshadow discovery, and (2) they rely on discrete sequential modeling that ignores continuous-time intervals and item-specific periodicities. In this paper, we propose a novel solution named Time-Interval Disentangled Experts (TIDE) to address these challenges. TIDE incorporates a Hawkes-enhanced Fourier Time Encoding to capture item-specific temporal periodicities and dynamic decay. To decouple user intentions, TIDE utilizes a dual-expert architecture that integrates a Habit Expert for recurring needs and a Pattern-Guided Exploration Expert for discovery. Combined with an item-aware gating mechanism, TIDE adaptively balances repurchase and exploration. Extensive experiments on four diverse real-world datasets demonstrate that TIDE consistently outperforms representative state-of-the-art NBR methods.
• Abstract（参考訳）: 次世代レコメンデーション(Next-Basket recommendation、NBR)は、ユーザーが過去のトランザクションバスケットシーケンスに基づいて購入するアイテムのセットを予測することを目的としたレコメンデーションの一種である。 それは、過去の行動を繰り返す習慣的再購入と、新しいアイテムを発見することを含む探索的関心という、2つの異なるユーザー意図の間の動的相互作用によって支配される。 しかし、既存のNBR法は一般に2つの制限に悩まされる:(1) 矛盾するモチベーションを1つの表現に絡み合わせることがあり、また、(2) 連続時間間隔やアイテム固有の周期性を無視した離散的な逐次モデリングに依存する。 本稿では,これらの課題に対処するため,Time-Interval Disentangled Experts (TIDE) という新しいソリューションを提案する。 TIDEは、アイテム固有の時間周期と動的減衰をキャプチャするために、ホークス強化されたフーリエ時間符号化を組み込んでいる。 ユーザの意図を分離するために、TIDEでは、反復的なニーズに対するHabit Expertと、発見のためのPattern-Guided Exploration Expertを統合したデュアルエキスパートアーキテクチャを使用している。 アイテム認識ゲーティング機構と組み合わせることで、TIDEは再購入と探索を適応的にバランスさせる。 4つの多様な実世界のデータセットに対する大規模な実験により、TIDEは最先端のNBR手法を一貫して上回っていることが示された。

関連論文リスト

• Mixture of Sequence: Theme-Aware Mixture-of-Experts for Long-Sequence Recommendation [48.98369214412951]
  ノイズの多い生ユーザシーケンスからテーマ特化サブシーケンスとマルチスケールサブシーケンスを抽出し,正確な予測を実現するモデルに依存しないMoE手法を提案する。 実験結果から, FLOPは少ないが, MoS はSOTA の性能を一貫して達成できることがわかった。
  論文  参考訳（メタデータ） (2026-03-01T23:20:48Z)
• DualGR: Generative Retrieval with Long and Short-Term Interests Modeling [23.123644321765607]
  Generative Retrieval (GR) は Embedding-based Retrieval (EBR) の代替として登場した。 ユーザ興味の2つの地平線を選択的アクティベーションで明示的にモデル化する生成検索フレームワークであるDualGRを提案する。 オンラインA/Bテストでは0.527%のビデオビューと+0.432%のウォッチタイムリフトがあり、DualGRは産業生成検索の実践的で効果的なパラダイムとして検証されている。
  論文  参考訳（メタデータ） (2025-11-16T09:20:54Z)
• STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
  STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。 STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T12:40:38Z)
• Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation [47.827361176767944]
  シークエンシャルレコメンデーションは、ユーザが対話する可能性のある次の項目を予測することを目的として、現代のレコメンデーションシステムにおいて不可欠である。 現実のシナリオは、しばしば動的で、ユーザの関心事の変化を被る。 最近のテストタイムトレーニングは有望なパラダイムとして現れ、事前トレーニングされたモデルがテストデータに動的に適応できるようにする。 逐次レコメンデーションに適した2つのTest-Time Alignmentモジュールを導入することで,TTTのステートスペースモデルを活用した新しいモデルであるT$2$ARecを提案する。
  論文  参考訳（メタデータ） (2025-04-02T08:42:30Z)
• Hierarchical Time-Aware Mixture of Experts for Multi-Modal Sequential Recommendation [19.47124940518026]
  マルチモーダルシーケンスレコメンデーション(HM4SR)の専門家の階層的時間認識混合を提案する。 まず、Interactive MoEと名づけられたMoEは、各項目のマルチモーダルデータから本質的なユーザ関心関連情報を抽出する。 テンポラルモエと呼ばれる第2のMoEは、モダリティ符号化においてタイムスタンプから明示的な時間的埋め込みを導入することで、ユーザの動的関心を捉える。
  論文  参考訳（メタデータ） (2025-01-24T06:26:50Z)
• 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)
• UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations [13.654819858917332]
  新たな双方向拡張シーケンシャルレコメンデーション手法であるUniRecを提案する。 UniRecは、一様でないシーケンスと少ない頻度のアイテムの表現を改善している。 我々の知る限り、UniRecは特徴増強のための均一性と周波数の特性を利用する最初の方法である。
  論文  参考訳（メタデータ） (2024-06-26T16:28:24Z)
• 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)
• BSN++: Complementary Boundary Regressor with Scale-Balanced Relation Modeling for Temporal Action Proposal Generation [85.13713217986738]
  我々は,時間的提案生成のための補完的境界回帰器と関係モデリングを利用する新しいフレームワークであるBSN++を提案する。 当然のことながら、提案されたBSN++は、時間的アクションローカライゼーションタスクに関するCVPR19 - ActivityNetのリーダーボードで1位にランクインした。
  論文  参考訳（メタデータ） (2020-09-15T07:08:59Z)

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。