論文の概要: S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation

• arxiv url: http://arxiv.org/abs/2606.25415v1
• Date: Wed, 24 Jun 2026 05:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.231707
• Title: S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation
• Title（参考訳）: S2-CAR:Segmentation-Supervised Complexity-Adaptive Recommendation
• Abstract要約: 本稿では,ユーザ意図を連続的な潜時エネルギー状態としてモデル化するシーケンシャルレコメンデーションのためのセグメンデーション管理フレームワークであるS2-CARを提案する。 具体的には、コンテキスト対応のソフトテンポラルポイントプロセス(Soft-TPP)を使用して、固定間隔ではなく潜在状態エネルギーの自然崩壊によって引き起こされる境界を分割する。 さらなる分析により、提案されたエネルギーベースのセグメンテーションがプラグイン・アンド・プレイモジュールとして機能し、既存のシーケンシャルレコメンデーションバックボーンに統合された場合、一貫した改善をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 11.19507489603123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation aims to predict user preferences from interaction histories, yet existing models often struggle when behavior patterns become complex and heterogeneous. A key reason is that interaction histories are rarely uniform: users' interests shift in a latent way over time, yet existing models either treat the full sequence as a homogeneous context or rely on rigid time-window segmentation that misaligns with true intent boundaries. This mis-segmentation not only introduces cross-intent interference at intermediate sequence positions but also leads to over-reliance on short-term interest signals. To address this, we propose S2-CAR, a segmentation-supervised and complexity-adaptive framework for sequential recommendation that models user intent as a continuous latent energy state. Specifically, it uses the Context-Aware Soft Temporal Point Process (Soft-TPP) to segment boundaries triggered by the natural decay of latent-state energy rather than fixed intervals, enabling intent segmentation without fixed time-gap rules. Next, upon this segmentation, a Segment-Count-Adaptive Multi-Intent Extraction module hierarchically aggregates intent-coherent segments into a compact set of multi-interest representations. Extensive experiments on 3 representative public benchmark datasets spanning movie, e-commerce, and gaming domains across 13 baselines demonstrate that S2-CAR consistently outperforms state-of-the-art methods across all datasets and metrics. Further analysis shows that the proposed energy-based segmentation serves as a plug-and-play module, yielding consistent improvements when integrated into existing sequential recommendation backbones.
• Abstract（参考訳）: 逐次リコメンデーションは、インタラクション履歴からユーザの好みを予測することを目的としているが、既存のモデルは、振る舞いパターンが複雑で不均一になったときにしばしば苦労する。 ユーザの興味は時間とともに遅延的にシフトするが、既存のモデルは全シーケンスを均質なコンテキストとして扱うか、あるいは真の意図の境界を誤る厳密な時間-ウィンドウのセグメンテーションに依存する。 このミスセグメンテーションは、中間列位置における相互干渉をもたらすだけでなく、短期的な利害信号に対する過度な信頼をもたらす。 そこで本稿では,S2-CARを提案する。S2-CARは,ユーザ意図を連続潜時エネルギー状態としてモデル化する逐次レコメンデーションのためのセグメンデーション管理および複雑性適応フレームワークである。 具体的には、Context-Aware Soft Temporal Point Process (Soft-TPP) を用いて、固定時間間隔ではなく、潜在状態エネルギーの自然崩壊によって引き起こされる境界線を分割し、固定時間ギャップルールなしで意図的セグメンテーションを可能にする。 次に、Segment-Count-Adaptive Multi-Intent extractモジュールは、インテントコヒーレントセグメントを階層的に多目的表現のコンパクトな集合に集約する。 13のベースラインにわたる映画、eコマース、ゲームドメインにまたがる3つの代表的な公開ベンチマークデータセットに対する大規模な実験は、S2-CARがすべてのデータセットとメトリクスで一貫して最先端のメソッドより優れていることを示している。 さらなる分析により、提案されたエネルギーベースのセグメンテーションがプラグイン・アンド・プレイモジュールとして機能し、既存のシーケンシャルレコメンデーションバックボーンに統合された場合、一貫した改善をもたらすことが示された。

関連論文リスト

• POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation [47.301549241806185]
  本稿では, 固有部分順序関係に基づく新しいリアルタイム逐次モデリングフレームワークを提案する。 POEMは、アップストリームランキングモジュールが生成するリアルタイムマルチタスクランキングスコアを、動的部分順序列の構築の監督として利用する。 Kuaishouオンライントラフィックに完全にデプロイされたPOEMは、オンライン上の大きな利益を達成している。
  論文  参考訳（メタデータ） (2026-06-29T08:23:04Z)
• Bridging Behavior and Semantics for Time-aware Cross-Domain Sequential Recommendation [25.652940675285098]
  BST-CDSR(Time-Aware Cross-Domain Semantics Recommendation)のための行動と意味を橋渡しするフレームワークを提案する。 具体的には、長期的関心と短期的意図を分離した行動選好進化モジュールを設計する。 また,時間的間隔トークンを識別する時間的反事実強化セマンティックジェネレータも導入する。
  論文  参考訳（メタデータ） (2026-05-04T09:14:19Z)
• ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting [16.98710098925001]
  IMTS固有の不規則区間は、既存の方法に2つの主要な課題をもたらす。 本稿では,これらの課題に対処するための適応時空間グラフインタラクション(ASTGI)フレームワークを提案する。 複数のベンチマークデータセットの実験では、ASTGIが様々な最先端メソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-27T14:00:27Z)
• Practice on Long Behavior Sequence Modeling in Tencent Advertising [75.65309022911994]
  時系列モデリングは,ユーザの長期的嗜好を捉えるためのレコメンデーションシステムにおいて,欠かせないフロンティアとなっている。 長周期モデリングのための2段階フレームワークの実践的アプローチをいくつか提案する。 Tencentの大規模広告プラットフォーム上で本番環境にデプロイされた当社のイノベーションは、大幅なパフォーマンス向上を実現しました。
  論文  参考訳（メタデータ） (2025-09-10T06:55:57Z)
• STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
  STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。 STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T12:40:38Z)
• Enhanced Partially Relevant Video Retrieval through Inter- and Intra-Sample Analysis with Coherence Prediction [18.24629930062925]
  部分的に関連のあるビデオ検索は、テキストクエリに関連するターゲットビデオを取得することを目的としている。 既存の手法は、セマンティック空間を構築するために、ペア化されたビデオとテキストクエリを粗く整列する。 サンプル間相関とサンプル内冗長性を体系的に活用する新しいPRVRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-28T09:52:46Z)
• Temporal Segment Transformer for Action Segmentation [54.25103250496069]
  本稿では,テキスト・セグメント・トランスフォーマ (textittemporal segment transformer) と呼ぶアテンション・ベース・アプローチを提案する。 主な考え方は、セグメントとフレームの間の注意を用いてセグメント表現を識別することであり、またセグメント間の時間的相関を捉えるためにセグメント間注意を用いる。 このアーキテクチャは,50Salads,GTEA,Breakfastのベンチマークにおいて,最先端の精度を実現していることを示す。
  論文  参考訳（メタデータ） (2023-02-25T13:05:57Z)
• Progressively Guide to Attend: An Iterative Alignment Framework for Temporal Sentence Grounding [53.377028000325424]
  時間的文接地作業のための反復アライメントネットワーク(IA-Net)を提案する。 学習可能なパラメータを持つマルチモーダル特徴をパットすることで、非整合フレームワードペアの非整合問題を軽減する。 また、アライメントの知識を洗練させるために、各アライメントモジュールに従ってキャリブレーションモジュールを考案する。
  論文  参考訳（メタデータ） (2021-09-14T02:08:23Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• Bottom-Up Temporal Action Localization with Mutual Regularization [107.39785866001868]
  TALの最先端の解決策は、3つの行動指示相のフレームレベルの確率を評価することである。 学習手順を相互に規則化するための2つの規則化用語を導入する。 実験は2つの人気のTALデータセット、THUMOS14とActivityNet1.3で行われている。
  論文  参考訳（メタデータ） (2020-02-18T03:59:13Z)

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。