論文の概要: Bridging the Semantic-Collaborative Gap: An Asymmetric Graph Architecture for Cold-Start Item Recommendation

• arxiv url: http://arxiv.org/abs/2606.06225v1
• Date: Thu, 04 Jun 2026 14:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.858587
• Title: Bridging the Semantic-Collaborative Gap: An Asymmetric Graph Architecture for Cold-Start Item Recommendation
• Title（参考訳）: セマンティック・コラボレーティブギャップのブリッジ:コールドスタート項目推薦のための非対称グラフアーキテクチャ
• Authors: Anh Truong, John Trenkle, Yuanbo Chen, Honghong Zhao, Abdullah Alchihabi, Effy Fang, Michael Tamir,
• Abstract要約: 協調フィルタリングとグラフベースのレコメンデーションモデルは非常に効果的である。 新しいコンテンツは、すぐにスタンドアロンの埋め込みを割り当てなければならない。 本稿では, 時間的二分項デバイスコンテンツグラフ上での帰納的グラフ補完問題として, コールドスタート勧告を定式化することによって, この問題に対処する。
• 参考スコア（独自算出の注目度）: 4.3999633581692175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative filtering and graph-based recommendation models are highly effective because they leverage observed user interactions, but this dependence creates a fundamental cold-start challenge when newly added content has no interaction history. In Tubi's production retrieval system, this challenge is further constrained by the serving interface: new content must be assigned a standalone embedding immediately, and the model must also produce device embeddings suitable for approximate nearest-neighbor retrieval. We address this setting by formulating cold-start recommendation as an inductive graph-completion problem on a temporal bipartite device-content graph. We propose Shallow-RHS, an asymmetric link-prediction architecture in which the left-hand side (LHS) device tower leverages temporally valid watch-history message passing to capture collaborative signals, while the right-hand side (RHS) content tower is intentionally shallow with respect to the graph and encodes content solely from intrinsic features. The RHS tower does not use ID-based embeddings, content-side subgraphs, neighbor aggregation, or interaction-derived representations, forcing the content encoder to map intrinsic features into a collaborative-filtering-aware embedding space. After training, the learned content encoder generates embeddings for both warm and newly ingested content, enabling implicit graph completion through retrieval of warm surrogate neighbors. We further extend the same representation-completion principle to device cold-start by constructing cohort-based embeddings from demographic features. Large-scale online experiments demonstrate consistent relative improvements in content cold-start engagement, promotion speed, impression acquisition, and device cold-start engagement.
• Abstract（参考訳）: 協調フィルタリングとグラフベースのレコメンデーションモデルは、観察されたユーザインタラクションを活用するため、非常に効果的であるが、この依存は、新しく追加されたコンテンツがインタラクション履歴を持たない場合に、基本的なコールドスタート課題を生み出す。 Tubiの製品検索システムでは、この課題はサービスインターフェースによってさらに制限されている:新しいコンテンツはすぐにスタンドアロンの埋め込みを割り当てなければならない。 本稿では, 時間的二分項デバイスコンテンツグラフ上での帰納的グラフ補完問題として, コールドスタート勧告を定式化することによって, この問題に対処する。 左右側(LHS)デバイスタワーは、時間的に有効な時計履歴メッセージパッシングを利用して協調的な信号をキャプチャする非対称リンク予測アーキテクチャであるShallow-RHSを提案し、一方、右側(RHS)コンテンツタワーはグラフに対して意図的に浅く、本質的な特徴からのみコンテンツを符号化する。 RHSタワーは、IDベースの埋め込み、コンテンツサイドのサブグラフ、近隣の集約、または相互作用から派生した表現を使用しないため、コンテンツエンコーダは固有の特徴を協調フィルタリング対応の埋め込み空間にマッピングせざるを得ない。 学習したコンテンツエンコーダは、トレーニング後、温かみのあるコンテンツと、新しく摂取されたコンテンツの両方の埋め込みを生成し、温かみのある隣人の検索を通じて暗黙のグラフ補完を可能にする。 さらに、人口統計学的特徴からコホートベースの埋め込みを構築することにより、同じ表現補完原理をデバイスコールドスタートに拡張する。 大規模なオンライン実験は、コンテンツコールドスタートエンゲージメント、プロモーションスピード、インプレッション獲得、デバイスコールドスタートエンゲージメントにおいて、一貫した相対的な改善を示す。

関連論文リスト

• Compositional Video Generation via Inference-Time Guidance [69.53614395025632]
  テキストからビデオへの拡散モデルは、しばしば構成的理解を必要とするプロンプトで失敗する。 凍結したテキスト・ビデオモデルにおける合成忠実度を改善するための推定時間誘導法であるtextbfCVG を提案する。
  論文  参考訳（メタデータ） (2026-05-14T15:50:25Z)
• Triple Spectral Fusion for Sensor-based Human Activity Recognition [86.21994396715074]
  本稿では,センサを用いたヒューマンアクティビティ認識(HAR)に適した新しい三重スペクトル融合フレームワークを提案する。 雑音抑制のための適応的な補間フィルタリング手法を開発し,各IMUセンサを姿勢・運動モードノードに整理する。 適応ウェーブレット周波数選択手法により、コンテキストの冗長性を抑え、特徴の長さを短縮する。
  論文  参考訳（メタデータ） (2026-05-04T15:42:58Z)
• Vectorized Context-Aware Embeddings for GAT-Based Collaborative Filtering [0.0]
  本稿では,Large Language Model (LLM) により拡張されたグラフ注意ネットワーク(GAT)ベースの協調フィルタリングフレームワークについて述べる。 MovieLens 100kと1Mデータセットの実験では、Precision、NDCG、MAPの最先端ベースラインに対して一貫した改善が見られた。 提案手法は,LLMに基づく文脈理解をグラフアーキテクチャに組み込むことで,空間性やコールドスタートの制限を効果的に緩和する。
  論文  参考訳（メタデータ） (2025-10-30T13:07:39Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Asynchronous Graph Generator [0.0]
  AGGは、学習可能な埋め込みを通じて、ノード内の計測、タイムスタンプ、チャネル固有の機能をエンコードする。 AGGは、例えば、所定のタイムスタンプとチャネル仕様に条件付けされた新しいノードを作成することで、エンプレクショナルアテンション生成による計算を実行する。 実験の結果、AGGは、ベンチマークデータセットであるemphBeijing Air Quality、emphPhysioNet ICU 2012、emphUCIローカライゼーションにおいて、時系列の計算、分類、予測において最先端の結果を達成し、近年の注目を集めていることがわかった。
  論文  参考訳（メタデータ） (2023-09-29T15:46:41Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)

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。