論文の概要: Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2605.04723v2
- Date: Thu, 07 May 2026 07:55:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 17:36:06.167048
- Title: Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation
- Title（参考訳）: 属性対応シークエンシャルレコメンデーションのための畳み込みネットワークの再考
- Authors: Shereen Elsayed, Ngoc Son Le, Ahmed Rashed, Lars Schmidt-Thieme,
- Abstract要約: 属性対応シーケンシャルレコメンデーションでは、ユーザが過去のインタラクションの時系列的に順序付けられた履歴に基づいて、次に対話するアイテムを予測する。
既存の方法は典型的には、シーケンス全体を統一表現に集約するために自己認識機構を利用する。
本稿では,畳み込み層を階層的かつ低スケールに利用して,コンパクトかつ表現力のあるシーケンス表現を生成するConvRecを提案する。
- 参考スコア（独自算出の注目度）: 6.846413131554734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attribute-aware sequential recommendation entails predicting the next item a user will interact with based on a chronologically ordered history of past interactions, enriched with item attributes. Existing methods typically leverage self-attention mechanisms to aggregate the entire sequence into a unified representation used for next-item prediction. While effective, these models often suffer from high computational complexity and memory consumption, limiting their ability to process long user histories. This constraint restricts the model's capacity to fully capture long-term user preferences. In some scenarios, modeling item interactions purely through attention may also not be the most effective approach to extract sequential patterns. In this work, we propose ConvRec, an alternative method with linear computational and memory complexity that employs convolutional layers in a hierarchical, down-scaled fashion to generate compact, yet expressive sequence representations. To further enhance the model's ability to capture diverse sequential patterns, each layer aggregates the neighboring items gradually to reach a comprehensive sequence representation. Extensive experiments on four real-world datasets demonstrate that our approach outperforms state-of-the-art sequential recommendation models, highlighting the potential of convolution-based architectures for efficient and effective sequence modeling in recommendation systems. Our implementation code and datasets are available here https://github.com/ismll-research/ConvRec.
- Abstract（参考訳）: 属性対応シーケンシャルレコメンデーションでは、アイテム属性に富んだ過去のインタラクションの時系列的に順序付けられた履歴に基づいて、ユーザが次に対話するアイテムを予測する。
既存の手法は通常、自己認識機構を利用してシーケンス全体を集約し、次のイテム予測に使用される統一表現に変換する。
有効ではあるが、これらのモデルは高い計算複雑性とメモリ消費に悩まされ、長いユーザー履歴を処理する能力を制限する。
この制約は、長期のユーザの好みを完全に捉えるために、モデルの能力を制限する。
いくつかのシナリオでは、アイテムの相互作用を純粋に注意を通してモデル化することは、シーケンシャルなパターンを抽出する最も効果的なアプローチではないかもしれない。
本研究では,線形計算とメモリの複雑性の代替手法であるConvRecを提案する。
多様なシーケンシャルパターンをキャプチャするモデルの能力をさらに強化するために、各レイヤは徐々に隣のアイテムを集約し、包括的なシーケンス表現に到達する。
4つの実世界のデータセットに対する大規模な実験により、我々のアプローチは最先端のシーケンシャルレコメンデーションモデルよりも優れており、レコメンデーションシステムにおける効率的かつ効果的なシーケンスモデリングのための畳み込みベースのアーキテクチャの可能性を強調している。
実装コードとデータセットは、https://github.com/ismll-research/ConvRec.comで公開しています。
関連論文リスト
- RoTE: Coarse-to-Fine Multi-Level Rotary Time Embedding for Sequential Recommendation [17.10655350843282]
我々は,情報空間を連続的にモデル化する新しいマルチレベル時間埋め込みモジュールRoTEを提案する。
RoTEは、各相互作用のタイムスタンプを粗いものから細かいものまで、複数の時間的粒度に分解し、結果の時間的表現をアイテムの埋め込みに組み込む。
論文 参考訳（メタデータ） (2026-04-15T01:38:41Z) - Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals [17.608491612845306]
逐次リコメンデータシステムは、ユーザのインタラクション履歴をモデル化し、結果のユーザ表現とストアドアイテムの埋め込みの間の内部積を計算することで、関連する項目をランク付けする。
大きなアイテムを格納する際のメモリオーバーヘッドを大幅に回避するため、生成推奨パラダイムは、各アイテムを独立したセマンティックコードとしてモデル化する。
これらのメソッドは、大きなアイテムセットの伝統的なシーケンシャルなレコメンデータを超えておらず、それらが対処するように設計されたシナリオでの採用を制限する。
マルチモーダル・セマンティック・コラボレーション・ジェネレーティブ・レコメンダであるMSCGRecを提案する。
論文 参考訳（メタデータ） (2026-02-03T16:39:35Z) - Sequential-Parallel Duality in Prefix Scannable Models [68.39855814099997]
近年では Gated Linear Attention (GLA) や Mamba など様々なモデルが開発されている。
ニアコンスタント時間並列評価と線形時間、定数空間シーケンシャル推論をサポートするニューラルネットワークモデルの全クラスを特徴付けることができるだろうか?
論文 参考訳（メタデータ） (2025-06-12T17:32:02Z) - COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。
我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。
当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
論文 参考訳（メタデータ） (2024-10-12T23:56:19Z) - GenRec: Generative Sequential Recommendation with Large Language Models [4.381277509913139]
我々はGenerative Recommendation(GenRec)という新しいモデルを提案する。
GenRecは軽量で、低リソース環境で効果的にトレーニングするのに数時間しか必要としない。
我々の実験は、GenRecが様々な公開現実世界のデータセットを一般化することを実証した。
論文 参考訳（メタデータ） (2024-07-30T20:58:36Z) - DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
本稿では,既存のDocREモデルの根本原因について検討する。
本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。
4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2022-10-28T11:18:10Z) - Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。
我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。
我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
論文 参考訳（メタデータ） (2022-07-20T07:26:15Z) - 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) - 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) - Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。
長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。
動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文 参考訳（メタデータ） (2021-02-18T11:08:54Z) - MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings
for Sequential Recommendation [12.386304516106854]
自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。
これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。
本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
論文 参考訳（メタデータ） (2020-08-19T05:32:14Z)
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。