論文の概要: PRISM: Refracting the Entangled User Behavior Space for E-Commerce Search

• arxiv url: http://arxiv.org/abs/2605.07296v1
• Date: Fri, 08 May 2026 06:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.842009
• Title: PRISM: Refracting the Entangled User Behavior Space for E-Commerce Search
• Title（参考訳）: PRISM:Eコマース検索のための絡み合ったユーザー行動空間
• Authors: Haoqian Zhang, Ziyuan Yang, Yi Zhang,
• Abstract要約: 電子商取引検索システムは、アイテムの関連性とユーザの嗜好を推定するために、ユーザー行動のモデル化に頼っている。 ユーザインタラクションは、露出メカニズム、フィードバックループ、セマンティックマッチングによって共同で形成される。 我々は、eコマース検索行動予測のためのPreference-Relevance Interaction Semantic ModelingフレームワークであるPRISMを提案する。
• 参考スコア（独自算出の注目度）: 5.387173334885012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce search systems rely on modeling user behavior to estimate item relevance and user preference, which are typically assumed to be stable and independently learnable signals. However, in practice, user interactions are jointly shaped by exposure mechanisms, feedback loops, and semantic matching, leading to entangled and dynamically drifting behavioral signals. As a result, both preference estimation and relevance modeling suffer from confounding effects and semantic misalignment, which limits the robustness of downstream ranking models. To address this issue, we propose PRISM, a Preference-Relevance Interaction Semantic Modeling framework for e-commerce search behavior prediction. PRISM explicitly models the interaction between user preference and item relevance rather than treating them as independent components. Specifically, it introduces a preference rectification module to iteratively refine user preference under relevance-aware constraints, improving robustness against behavioral confounding. To ensure semantic consistency, we further incorporate a large language model (LLM)-driven semantic anchoring mechanism that leverages positive and negative prototypes to calibrate relevance representations. Finally, a preference-conditioned evidence routing module adaptively aggregates multi-source behavioral signals, enabling context-aware and preference-aligned relevance estimation. Extensive experiments on two public e-commerce benchmarks demonstrate that PRISM consistently outperforms strong baselines, validating the effectiveness of explicitly modeling preference-relevance interaction for robust and semantically grounded search behavior modeling.
• Abstract（参考訳）: 電子商取引検索システムは、アイテムの関連性やユーザの嗜好を推定するために、ユーザー行動のモデル化に頼っている。 しかし、実際には、ユーザインタラクションは、露出メカニズム、フィードバックループ、セマンティックマッチングによって共同で形成され、絡み合ったり、動的にドリフトする行動信号に繋がる。 その結果、選好推定と関連性モデリングの両方が、下流ランキングモデルのロバスト性を制限する、相反する効果とセマンティックなミスアライメントに悩まされている。 この問題に対処するため,eコマース検索行動予測のためのPreference-Relevance Interaction Semantic ModelingフレームワークであるPRISMを提案する。 PRISMは、個別のコンポーネントとして扱うのではなく、ユーザの好みとアイテムの関連性の間の相互作用を明示的にモデル化する。 具体的には、関連性に留意した制約の下で反復的にユーザの好みを洗練し、行動の相違に対する堅牢性を改善するための優先修正モジュールを導入する。 セマンティック一貫性を確保するため、我々はさらに、正と負のプロトタイプを利用して関連表現を校正する大規模言語モデル(LLM)によるセマンティックアンカー機構を組み込んだ。 最後に、嗜好条件付きエビデンスルーティングモジュールは、複数のソースの行動信号を適応的に集約し、コンテキスト認識および嗜好整合性推定を可能にする。 2つの公開eコマースベンチマークの大規模な実験により、PRISMは強いベースラインを一貫して上回り、ロバストでセマンティックな検索行動モデリングのための嗜好関連相互作用を明示的にモデル化するの有効性を検証した。

関連論文リスト

• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• Mitigating Attention Hacking in Preference-Based Reward Modeling via Interaction Distillation [62.14692332209628]
  インタラクション蒸留(Interaction Distillation)は、注意レベル最適化によるより適切な嗜好モデリングのための新しいトレーニングフレームワークである。 最先端のRM最適化法と比較して、より安定で一般化可能な報酬信号を提供する。
  論文  参考訳（メタデータ） (2025-08-04T17:06:23Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• PRECTR: A Synergistic Framework for Integrating Personalized Search Relevance Matching and CTR Prediction [3.753643743882433]
  検索レコメンデーションシステムにおける2つの主要なタスクは、検索関連性マッチングとクリックスルー率(CTR)予測である。 パーソナライズされた検索関連マッチングとCTR予測融合モデル(PRECTR)を提案する。 具体的には、CTR予測と検索関連性マッチングを1つのフレームワークに統合し、2つのモジュールの相互作用と一貫性を強化する。
  論文  参考訳（メタデータ） (2025-03-24T07:07:04Z)
• Behavior Modeling Space Reconstruction for E-Commerce Search [32.46624795081706]
  検索システムは、ユーザの嗜好とクエリ項目の関連性を静的に組み合わせ、しばしば固定された論理的「and」関係を通じて、ユーザの振舞いをモデル化する。 本稿では、因果グラフとVenn図の両方を用いて、統一レンズを通して既存のアプローチを再検討する。 これらの課題を克服するために,2つのコンポーネントによる探索精度を高め,行動モデリング空間を再構築する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-30T09:17:04Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)

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。