論文の概要: Beyond Positive Signals: Unlocking Implicit Negative Behaviors for Enhanced Sequential User Modeling

• arxiv url: http://arxiv.org/abs/2606.15252v1
• Date: Sat, 13 Jun 2026 11:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.160755
• Title: Beyond Positive Signals: Unlocking Implicit Negative Behaviors for Enhanced Sequential User Modeling
• Title（参考訳）: 肯定的信号を超える: 逐次ユーザモデリングの強化のための暗黙の否定的行動の解き放つ
• Authors: Zexuan Cheng, Yue Liu, Jun Zhang, Jie Jiang,
• Abstract要約: 混合極性挙動列は、様々なモデルアーキテクチャにおいて、正のみのシーケンスを一貫して上回る。 本研究では,行動証拠の識別によるさらなる利得を提供する軽量な目標条件ゲーティング機構であるTarget-Aware Polarity Fusion (TAPF)を提案する。
• 参考スコア（独自算出の注目度）: 12.557198843630387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User behavior sequence modeling has become a central component in modern click-through rate (CTR) prediction. Over the past years, the community has invested substantial effort into improving how sequences are encoded, from target-aware attention and interest evolution networks to unified architectures that jointly process sequential and non-sequential features. However, a more fundamental question remains under-explored: what should constitute the behavior sequence? Current practice constructs sequences exclusively from positive interactions (clicks, purchases, completions), while the far more abundant implicit negative behaviors (skips, low engagement, scroll-past) are largely underutilized. As gains from longer positive sequences approach diminishing returns, we revisit this underutilized data source within the sequential modeling framework. In this paper, we demonstrate that mixed-polarity behavior sequences, which chronologically interleave positive and negative tokens within a fixed length budget, consistently outperform positive-only sequences across diverse model architectures with negligible additional computational overhead. We further identify a semantic indistinguishability problem inherent to naive polarity embeddings and propose Target-Aware Polarity Fusion (TAPF), a lightweight target-conditioned gating mechanism that provides additional gains by differentiating behavioral evidence. Notably, even the simpler polarity bias baseline captures the majority of improvement, underscoring that the primary contribution is the mixed-polarity data paradigm itself. Experiments on three public benchmarks demonstrate consistent improvements of +1.9% to +9.6% relative AUC across five architectures, which validate the practical value of our approach.
• Abstract（参考訳）: ユーザ行動シーケンスモデリングは、現代のクリックスルー率(CTR)予測において中心的な要素となっている。 過去数年間、コミュニティは、ターゲット認識の注意と関心の進化ネットワークから、シーケンシャルおよび非シーケンシャルな特徴を共同で処理する統一アーキテクチャまで、シーケンスのエンコード方法の改善に多大な努力を払ってきた。 しかし、より根本的な疑問は未解決のままである: 行動シーケンスを構成するべきものは何か? 現在のプラクティスでは、肯定的な相互作用(クリック、購入、完了)からのみシーケンスを構成するが、はるかに多くの暗黙的なネガティブな振る舞い(スキップ、ローエンゲージメント、スクロール-パスト)は、ほとんど利用されていない。 より長い正のシーケンスからのゲインがリターンを減少させるため、シーケンシャルなモデリングフレームワーク内で、この未使用のデータソースを再考する。 本稿では,時間的に正および負のトークンを一定期間の予算内でインターリーブする混合極性挙動列が,計算オーバーヘッドが無視できない多種多様なモデルアーキテクチャにおける正のみのシーケンスより一貫して優れていることを示す。 さらに, 偏極埋め込みに固有の意味的不明瞭性問題を同定し, 行動証拠の識別によるさらなる利得を与える軽量な目標条件ゲーティング機構であるTarget-Aware Polarity Fusion (TAPF)を提案する。 特に、単純な極性バイアスベースラインでさえ、改善の大多数を捉えており、主な貢献は混合極性データパラダイムそのものである。 3つの公開ベンチマークの実験では、5つのアーキテクチャで+1.9%から+9.6%の相対的なAUCが一貫した改善がなされた。

関連論文リスト

• Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
  不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。 重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。 我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
  論文  参考訳（メタデータ） (2026-04-16T03:20:11Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• DLF: Enhancing Explicit-Implicit Interaction via Dynamic Low-Order-Aware Fusion for CTR Prediction [71.41414150295702]
  本稿では,クリックスルー率(CTR)予測をモデル化するための新しいフレームワークである動的低次認識融合(DLF)を提案する。 RLIは残差接続からの冗長性を緩和しながら低次信号を保持し、NAFは各層での明示的および暗黙的な表現を動的に統合し、情報共有を強化する。 公開データセットの実験では、DLFがCTR予測における最先端のパフォーマンスを達成し、既存のモデルの重要な制限に対処していることが示されている。
  論文  参考訳（メタデータ） (2025-05-25T15:05:00Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• 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)
• Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation [25.37244686572865]
  本稿では、逐次レコメンデーションのためのAdversarial and Contrastive Variational Autoencoder (ACVAE) と呼ばれる新しい手法を提案する。 まず,本モデルが高品質な潜在変数を生成することを可能にするadversarial variational bayesフレームワークの下で,シーケンス生成のためのadversarial trainingを導入する。 さらに、シーケンスをエンコードする場合、シーケンス内のグローバルおよびローカルの関係をキャプチャするために、繰り返しおよび畳み込み構造を適用します。
  論文  参考訳（メタデータ） (2021-03-19T09:01:14Z)

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。