論文の概要: SAERec: Constructing Fine-grained Interpretable Intents Priors via Sparse Autoencoders for Recommendation

• arxiv url: http://arxiv.org/abs/2606.18897v1
• Date: Wed, 17 Jun 2026 10:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.114234
• Title: SAERec: Constructing Fine-grained Interpretable Intents Priors via Sparse Autoencoders for Recommendation
• Title（参考訳）: SAERec:レコメンデーションのためのスパースオートエンコーダによる微粒な解釈可能なインテントの事前構築
• Authors: Jiangnan Xia, Xuansheng Wu, Yu Yang, Xin Wang, Ninghao Liu,
• Abstract要約: 意図に基づくリコメンデーション(SAERec)のためのスパースオートエンコーダを提案する。 SAERecはテキストコーパスから微細で解釈可能なインテント空間を自動的に構築し、ガイドレコメンデーションを行う。 公の場での実験は、SAERecの優位性を示し、一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 30.06423221745951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intent-based recommender systems have gained significant attention for improving accuracy and interpretability by modeling the underlying motivations behind user behaviors. Most existing models derive intents directly from user sequences via clustering or prototype learning. However, they are sensitive to sequence quality, require presetting the number of intents, and lack explicit semantic grounding. These issues lead to an incomplete and coarse intent set and limit the effectiveness of recommendation. In this paper, we propose the Sparse Autoencoder for intent-based recommendation (SAERec), a novel recommender that automatically constructs a fine-grained and interpretable intent space from a textual corpus to guide recommendation. Rather than treating texts as side signals, SAERec leverages them as high information density evidence for intent construction. Specifically, we first extract a comprehensive set of fine-grained interpretable intents from the latent space of large language models (LLMs) by using a sparse autoencoder (SAE) to disentangle and interpret text embeddings, which isolates intent-related semantics from textual noise. Then, for each user, we retrieve relevant intents from this set as priors to guide recommendation. It contains personal intents matching a user's current interests and public intents capturing general item patterns shared across users (e.g., quality, price). Finally, to integrate retrieved intents into sequence modeling, we propose a multi-branch attention mechanism that captures temporal dependencies and injects both personal and public intent signals, followed by an adaptive fusion layer to construct the final user representation for recommendation. Extensive experiments on public datasets demonstrate the superiority of SAERec, consistently outperforming state-of-the-art baselines while providing human-understandable explanations.
• Abstract（参考訳）: インテントベースのレコメンデータシステムは,ユーザの行動の背後にあるモチベーションをモデル化することによって,精度の向上と解釈可能性の向上に大きな注目を集めている。 既存のモデルのほとんどは、クラスタリングやプロトタイプ学習を通じて、ユーザシーケンスから直接インテントを導出します。 しかし、それらはシーケンスの品質に敏感であり、インテントの数を予め設定し、明示的なセマンティックグラウンドを欠いている。 これらの問題は不完全で粗い意図につながり、推奨の有効性を制限します。 本稿では,意図に基づくリコメンデーションのためのスパースオートエンコーダ (SAERec) を提案する。 テキストを副信号として扱うのではなく、SAERecはそれらをインテント構築のための高情報密度の証拠として利用している。 具体的には、まず、スパースオートエンコーダ(SAE)を用いて、大規模言語モデル(LLM)の潜在空間から、テキスト埋め込みを解き、解釈し、意図に関連する意味論をテキストノイズから分離することで、より詳細な解釈可能なインテントの集合を抽出する。 そして、各ユーザに対して、このセットから関連する意図を事前として検索し、レコメンデーションをガイドする。 それは、ユーザの現在の関心事と、ユーザ間で共有される一般的なアイテムパターン(例えば、品質、価格)をキャプチャする公開意図に一致する個人的な意図を含む。 最後に、検索したインテントをシーケンスモデリングに統合するために、時間的依存を捕捉し、個人と公共の両方のインテント信号を注入するマルチブランチアテンション機構を提案する。 公開データセットに関する大規模な実験は、SAERecの優位性を実証している。

関連論文リスト

• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• IntPro: A Proxy Agent for Context-Aware Intent Understanding via Retrieval-conditioned Inference [22.214499732123173]
  IntProは、検索条件付きインテント推論を通じて個々のユーザへの適応を学ぶプロキシエージェントである。 IntProは、効果的なコンテキスト認識推論機能によって、パフォーマンスを強く理解することを示す。
  論文  参考訳（メタデータ） (2026-02-10T07:20:58Z)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• Quick on the Uptake: Eliciting Implicit Intents from Human Demonstrations for Personalized Mobile-Use Agents [35.28287742448611]
  textbfFlow textbfRecognitionに基づいて構築された textbfIFRAgent を提案する。 IFRAgentは人間のデモからの明示的な意図フローを分析し、標準的な操作手順のクエリレベルベクトルライブラリを構築する。
  論文  参考訳（メタデータ） (2025-08-12T05:20:14Z)
• IntentGPT: Few-shot Intent Discovery with Large Language Models [9.245106106117317]
  我々は、新たな意図が現れると識別できるモデルを開発する。 IntentGPTは、Large Language Models (LLM) を効果的に促し、最小限のラベル付きデータで新しいインテントを発見する、トレーニング不要の手法である。 実験の結果,IntentGPTはドメイン固有データと微調整を必要とする従来の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-16T02:16:59Z)
• Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering [9.740376003100437]
  本稿では,BIGCF (Bilateral Intent-Guided Graph Collaborative Filtering) に指定された新しい推薦フレームワークを提案する。 具体的には、因果的視点からユーザとイテムの相互作用を詳しく調べ、個別の意図の概念を提示する。 暗黙的なフィードバックの空間性に対抗するため、ユーザとアイテムの特徴分布はガウスベースのグラフ生成戦略を介して符号化される。
  論文  参考訳（メタデータ） (2024-05-15T02:31:26Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• Intent Mining from past conversations for conversational agent [1.9754522186574608]
  ボットは、ラウンド・ザ・タイムのサポートと顧客エンゲージメントを高めるために、ますますデプロイされている。 商用ボット構築フレームワークの多くは、ユーザ入力を認識するためのインテントモデルの構築とトレーニングを必要とする標準的なアプローチに従っている。 我々は、不均衡なデータクラスタリングのための新しい密度ベースクラスタリングアルゴリズムITERDB-LabelSCANを導入した。
  論文  参考訳（メタデータ） (2020-05-22T05:29:13Z)
• AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling [69.59096090788125]
  本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。 スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。 このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
  論文  参考訳（メタデータ） (2020-04-21T15:07:34Z)

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。