論文の概要: Interests Burn-down Diffusion Process for Personalized Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2605.05165v1
• Date: Wed, 06 May 2026 17:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.965305
• Title: Interests Burn-down Diffusion Process for Personalized Collaborative Filtering
• Title（参考訳）: パーソナライズされた協調フィルタリングにおけるバーンダウン拡散プロセスへの関心
• Abstract要約: 本稿では,インタラクションシステム,すなわち関心のバーンダウンプロセスに特化された拡散スキームを導入する。 このプロセスの本質的なバーンダウンの性質は、明らかに拡散的なユーザ関心をモデル化し、タスクの要求とシームレスに一致させます。 本稿では,新たに提案した拡散過程の優位性を示すための新しい推奨手法であるStageCFを提案する。
• 参考スコア（独自算出の注目度）: 15.341377638093405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative methods have gained widespread attention in Collaborative Filtering (CF) tasks for their ability to produce high-quality personalized samples aligned with users' interests. Among them, diffusion generative models have raised increasing attention in recommendation field. Despite that the pioneering efforts have applied the conventional diffusion process to model diffusive user interests, the incongruity between the Gaussian noise and the subtle nature of user's personalized interaction behavior has led to sub-optimal results. To this end, we introduce a specifically-tailored diffusion scheme for interaction systems, namely the interests burn-down process. The interests burn-down process delineates the decay of user interests towards candidate items, complemented by its reverse burn-up process that yields personalized recommendation for users. The inherent burn-down nature of this process adeptly models the diffusive user interests, aligning seamlessly with the requirements of CF tasks. We present a novel recommendation method StageCF to illustrate the superiority of this newly proposed diffusion process. Experimental results have demonstrated the effectiveness of StageCF against existing generative and diffusion-based baseline methods. Furthermore, comprehensive studies validate the functionality of interests burn-down process, shedding light on its capacity to generate personalized interactions.
• Abstract（参考訳）: 協調フィルタリング(CF)タスクにおいて、ユーザの関心に合わせた高品質なパーソナライズされたサンプルを作成する能力に対して、ジェネレーティブな手法が広く注目を集めている。 その中には拡散生成モデルがあり、レコメンデーション分野に注目が集まっている。 先駆的な取り組みは、従来の拡散過程を拡散性のあるユーザ興味のモデル化に応用したものの、ガウスノイズとユーザのパーソナライズされたインタラクション行動の微妙な性質の相違は、準最適結果をもたらしている。 そこで本研究では,インタラクションシステム,すなわち関心のバーンダウンプロセスに特化して最適化された拡散スキームを導入する。 関心のバーンダウンプロセスは、ユーザに対してパーソナライズされたレコメンデーションをもたらすリバースバーンアッププロセスによって補完される、候補項目に対するユーザの関心の低下を浮き彫りにする。 このプロセスの本質的なバーンダウンの性質は、CFタスクの要求とシームレスに整合して、拡散的なユーザ関心を十分にモデル化します。 本稿では,新たに提案した拡散過程の優位性を示すための新しい推奨手法であるStageCFを提案する。 実験により,StageCFの既存の生成および拡散に基づくベースライン法に対する効果が示された。 さらに、包括的な研究は関心のバーンダウンプロセスの機能を検証し、パーソナライズされた相互作用を生成する能力に光を当てる。

関連論文リスト

• Continuous-time Discrete-space Diffusion Model for Recommendation [25.432419904462694]
  CDRecは、新しいContinuous-time Discrete-space Diffusion Recommendationフレームワークである。 これは推奨精度と計算効率の両方において優れている。 実世界のデータセットの実験は、推奨精度と計算効率の両方においてCDRecの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-15T09:06:57Z)
• DiffusionGS: Generative Search with Query Conditioned Diffusion in Kuaishou [20.440076123934684]
  生成モデルを利用した新しいスケーラブルなアプローチであるDiffusionGSを提案する。 我々は、ユーザのクエリが条件拡散過程を案内する条件記述タスクとして、関心抽出を定式化する。 本稿では,ユーザの過去の行動に対する注意分布の最適化にユーザ固有のプロファイルを組み込むためのユーザ認識Denoising Layer (UDL)を提案する。
  論文  参考訳（メタデータ） (2025-08-25T07:46:51Z)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Modeling Long-term User Behaviors with Diffusion-driven Multi-interest Network for CTR Prediction [18.302602011055775]
  本稿では,DiffuMIN (Diffusion-driven Multi-Interest Network) を提案する。 オンラインA/BテストではDiffuMINが1.52%,CPMが1.10%増加した。
  論文  参考訳（メタデータ） (2025-08-21T07:10:01Z)
• Self-NPO: Negative Preference Optimization of Diffusion Models by Simply Learning from Itself without Explicit Preference Annotations [60.143658714894336]
  拡散モデルは、画像、ビデオ、および3Dコンテンツ生成を含む様々な視覚生成タスクにおいて顕著な成功を収めている。 優先度最適化(PO)は、これらのモデルを人間の嗜好に合わせることを目的とした、顕著で成長している研究分野である。 モデル自体からのみ学習する負の選好最適化アプローチであるSelf-NPOを導入する。
  論文  参考訳（メタデータ） (2025-05-17T01:03:46Z)
• Collaborative Diffusion Model for Recommender System [52.56609747408617]
  Recommender System (CDiff4Rec) のための協調拡散モデルを提案する。 CDiff4Recはアイテム機能から擬似ユーザを生成し、本物と偽の個人的隣人の両方から協調的な信号を利用する。 3つの公開データセットによる実験結果から、CDiff4Recは、パーソナライズされた情報の損失を効果的に軽減することで、競合より優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-31T10:05:01Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• Confronting Reward Overoptimization for Diffusion Models: A Perspective of Inductive and Primacy Biases [76.9127853906115]
  拡散モデルと人間の嗜好のギャップを埋めることが、実用的生成への統合に不可欠である。 本稿では,拡散モデルの時間的帰納バイアスを利用したポリシー勾配アルゴリズムTDPO-Rを提案する。 実験の結果,報酬過小評価を緩和する手法が有効であることが示された。
  論文  参考訳（メタデータ） (2024-02-13T15:55:41Z)
• Graph Signal Diffusion Model for Collaborative Filtering [22.727100820178414]
  協調フィルタリングはレコメンデータシステムにおいて重要な手法である。 拡散モデルに関する既存の研究は、暗黙のフィードバックをモデル化するための効果的な解決策を欠いている。 協調フィルタリングのためのグラフ信号拡散モデル(GiffCF)を提案する。
  論文  参考訳（メタデータ） (2023-11-15T07:25:14Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)

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。