論文の概要: Quality-Aware Collaborative Multi-Positive Contrastive Learning for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2605.11707v1
• Date: Tue, 12 May 2026 08:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.68629
• Title: Quality-Aware Collaborative Multi-Positive Contrastive Learning for Sequential Recommendation
• Title（参考訳）: シーケンスレコメンデーションのための品質を考慮した協調型多目的コントラスト学習
• Authors: Wei Wang,
• Abstract要約: 逐次レコメンデーションのための品質を考慮した協調型多目的コントラスト学習を提案する。 まず、2つの拡張ビューを生成する学習可能な協調シーケンス拡張モジュールを提案する。 第二に、モデル表現に密に統合された品質認識機構を設計し、拡張操作の信頼性から各ビューの品質を推定する。 3つの実世界のデータセットに対する大規模な実験は、QCMP-CLが最先端のCLベースのシーケンシャルレコメンデーションベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 3.565474315629056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of contrastive learning in sequential recommendation hinges on the construction of contrastive views, which ideally should be both semantically consistent and diverse. However, most existing CL-based methods rely on heuristic augmentations that are prone to removing crucial items or disrupting transition patterns, leading to semantic drift. While a few studies have explored learnable augmentations to improve view quality, they often suffer from limited diversity and still necessitate heuristic aids. Furthermore, the quality differences across views are rarely modeled explicitly and adaptively, aggravating the false-positive issue. To address these issues, we propose Quality-aware Collaborative Multi-Positive Contrastive Learning for sequential recommendation. First, we introduce a learnable collaborative sequence augmentation module that generates two augmented views under two complementary collaborative contexts, one based on same-target sequences and the other on similar sequences, thereby enhancing view diversity while preserving intent consistency.Second, we design a quality-aware mechanism, tightly integrated into the model representations, which estimates each view' s quality from the confidence of its augmentation operations and assigns adaptive weights to ensure that high-confidence views contribute more supervision while low-confidence ones contribute less.Extensive experiments on three real-world datasets demonstrate that QCMP-CL outperforms state-of-the-art CL-based sequential recommendation baselines.
• Abstract（参考訳）: 逐次的レコメンデーションにおけるコントラスト学習の有効性は、コントラスト的な視点の構築にかかっている。 しかし、既存のCLベースのほとんどの手法は、重要な項目を除去したり、遷移パターンを乱したりしがちなヒューリスティックな拡張に依存しており、セマンティックドリフトにつながる。 いくつかの研究は、視界の質を改善するために学習可能な拡張を探求してきたが、それらはしばしば限られた多様性に悩まされ、いまだにヒューリスティックな援助を必要としている。 さらに、ビュー間の品質差が明示的に適応的にモデル化されることは滅多になく、偽陽性の問題を悪化させる。 これらの課題に対処するため, 逐次推薦のための品質意識型協調型多目的コントラスト学習を提案する。 まず,2つの相補的な協調状況下で2つの拡張ビューを生成する学習可能な協調シーケンス拡張モジュールを導入し,同じターゲットシーケンスと類似したシーケンスに基づいてビューの多様性を向上し,目的整合性を維持しながらビューの多様性を向上する。また,各ビューの品質をモデル表現に密に統合し,その拡張操作の信頼性から各ビューの品質を推定し,高信頼ビューがより監督に寄与することを保証するため,適応重みを割り当てる,品質認識機構を設計する。3つの実世界のデータセットにおける拡張実験は,QCMP-CLが最先端のCLベースラインよりも優れていることを示す。

関連論文リスト

• Reconstructing Content via Collaborative Attention to Improve Multimodal Embedding Quality [59.651410243721045]
  CoCoAは、マルチモーダル埋め込み最適化のための協調注意に基づくコンテンツ再構成事前学習パラダイムである。 EOSをベースとした再構築タスクを導入し、対応するEOS>埋め込みからの入力を再構成するようモデルに促す。 MMEB-V1の実験では、Qwen2-VLとQwen2.5-VLをベースにしたCoCoAが埋め込み品質を著しく向上することを示した。
  論文  参考訳（メタデータ） (2026-03-02T05:34:45Z)
• PromptCD: Test-Time Behavior Enhancement via Polarity-Prompt Contrastive Decoding [85.22047087898311]
  本稿では,より広範な拡張設定へのコントラストデコーディングを一般化するテスト時動作制御手法であるPolarity-Prompt Contrastive Decoding(PromptCD)を紹介する。 PromptCDは、目標行動のためのペアの正と負の導出プロンプトを構築し、望ましい結果を強化するためにモデル応答を対比する。 3H"アライメントの目的に関する実験では、一貫性と実質的な改善が示されている。
  論文  参考訳（メタデータ） (2026-02-24T08:56:52Z)
• Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure [23.71990071700833]
  我々は,共購入関係の因果分解と対人暴露による多様性勧告を提案する。 LightGCN上に構築されたプラグイン・アンド・プレイのフレームワークで、精度を保ちながらレコメンデーションの多様性を高める。 我々の手法は、多様性と正確性の両方において、最先端の多様性モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-12-19T16:09:29Z)
• Diversity-Enhanced Reasoning for Subjective Questions [24.896059589693607]
  多様性を高めるトレーニングフレームワークであるMultiRole-R1は、様々な役割の観点から推論チェーンを合成する。 ドメイン内精度とドメイン外精度を14.1%と7.64%向上させ、AIME 2024のような高度な数学推論の性能も向上させる。
  論文  参考訳（メタデータ） (2025-07-27T09:07:42Z)
• DWCL: Dual-Weighted Contrastive Learning for Multi-View Clustering [9.945837095280256]
  マルチビュークラスタリングのためのDWCL(Dual-Weighted Contrastive Learning)と呼ばれる新しいモデルを提案する。 具体的には、信頼性の低いクロスビューの影響を軽減するために、革新的なBest-Other(B-O)コントラスト機構を導入する。 ビュー品質重みとビュー差重みを反映し、ビュー品質重みを両立させる2重み付け戦略を開発した。
  論文  参考訳（メタデータ） (2024-11-26T11:57:20Z)
• CoViews: Adaptive Augmentation Using Cooperative Views for Enhanced Contrastive Learning [0.0]
  コントラスト学習のための効率的な適応型データ拡張ポリシーを学習するためのフレームワークを提案する。 我々は、すべてのビューで使用される拡張ポリシーを生成するacIndepViewsと、各ビューに依存する拡張ポリシーを生成するacCoViewsの2つの方法を提案する。
  論文  参考訳（メタデータ） (2024-05-12T00:11:24Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
  信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。 TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2022-04-25T03:48:49Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)

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。