Fugu-MT 論文翻訳(概要): SISA-Rec: A Semantically Integrated Sequential Recommender with Contrastive Alignment

論文の概要: SISA-Rec: A Semantically Integrated Sequential Recommender with Contrastive Alignment

arxiv url: http://arxiv.org/abs/2607.11168v1
Date: Mon, 13 Jul 2026 07:03:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.36118
Title: SISA-Rec: A Semantically Integrated Sequential Recommender with Contrastive Alignment
Title（参考訳）: SISA-Rec: コントラストアライメントを付加したシークエンシャルレコメンダ
Authors: Soohan Abbasi, Shahid Munir Shah, Rafia Shaikh, Mahmoud Aljawarneh,
Abstract要約: セマンティックコンテキストを直接逐次モデリングに組み込むトランスフォーマーベースのフレームワークであるSISA-Recを紹介する。当社のアプローチでは,アイテムIDの埋め込みとBERTベースのテキスト埋め込みをゲート融合モジュール経由で融合する。ベイジアン・パーソナライズド・ランキング(BPR)とコントラストアライメント・アライメント・ロスを組み合わせた共同学習の目的は、基礎となる行動空間と意味空間を整合させる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recommendation systems help users recommend relevant items from a large collection of choices. Present work on transformer-based sequential recommendation learns user preferences from interaction logs, but it mostly focuses on item identifiers and doesn't fully use the semantic meaning of items. This limitation becomes a major challenge in sparse and cold-start scenarios where historical interaction data is limited. To solve this problem, we introduce SISA-Rec (Semantically Integrated Sequential Recommendation), a transformer-based framework that embeds semantic context directly into sequential modeling. Our approach fuses item ID embeddings with BERT-based text embeddings via a gated fusion module, injects semantic similarity into the self-attention mechanism, and leverages an attention-based aggregation module to construct comprehensive user representations. Finally, a joint learning objective which combines Bayesian Personalized Ranking (BPR) and contrastive alignment loss, aligns the underlying behavioral and semantic spaces. Experiments were conducted on the two highly sparse Amazon Beauty and Amazon Toys \& Games datasets, both having 99.93\% sparsity. The results show that SISA-Rec outperforms state-of-the-art baseline models across all evaluation metrics. Compared with the BERT4Rec \cite{petrov2022systematic}, SISA-Rec improves HR@10 by 16.6\% and NDCG@10 by 10.3\% on Amazon Beauty, and HR@10 by 23.1\% and NDCG@10 by 17.9\% on Amazon Toys \& Games. Cold-start analysis further shows that the proposed model achieves the largest improvements for users with limited interaction historical records. This showcases the value of semantic information when user behavior data is scarce. Overall, the results demonstrate that integrating semantic information into the attention mechanism leads to more accurate and reliable recommendations.
Abstract（参考訳）: 推薦システムは、ユーザーが多数の選択肢から関連する項目を推薦するのに役立つ。現在、Transformerベースのシーケンシャルレコメンデーションは、インタラクションログからユーザの好みを学ぶが、主にアイテム識別子に焦点を当てており、アイテムの意味を完全には使用していない。この制限は、歴史的なインタラクションデータが制限されたスパースおよびコールドスタートシナリオにおいて大きな課題となる。 SISA-Rec(Semantically Integrated Sequential Recommendation)は,セマンティックコンテキストを直接逐次モデリングに組み込むトランスフォーマーベースのフレームワークである。提案手法では,BERT ベースのテキスト埋め込みとアイテム ID を融合させ,自己認識機構に意味的類似性を注入し,注意に基づく集約モジュールを用いて,包括的なユーザ表現を構築する。最後に、ベイジアンパーソナライズされたランク付け(BPR)と対照的なアライメント損失を組み合わせた共同学習目標が、基礎となる行動空間と意味空間を整合させる。 Amazon BeautyとAmazon Toys \& Gamesの2つのデータセットで、それぞれ99.93\%の間隔で実験が行われた。その結果、SISA-Recはすべての評価指標で最先端のベースラインモデルよりも優れていた。 BERT4Rec \cite{petrov2022systematic} と比較すると、SISA-Rec は HR@10 を 16.6 %、NDCG@10 を 10.3 %、HR@10 を 23.1 %、NDCG@10 を 17.9 % 改善している。コールドスタート解析により,インタラクション履歴が限られているユーザにとって,提案モデルが最大の改善を達成できることが示唆された。これはユーザ行動データが不足している場合に意味情報の価値を示す。その結果,意味情報を注意機構に統合することで,より正確で信頼性の高いレコメンデーションが実現された。

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)
FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
論文参考訳（メタデータ） (2026-01-29T08:55:19Z)
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)
End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
論文参考訳（メタデータ） (2025-08-02T22:46:50Z)
SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
論文参考訳（メタデータ） (2025-07-27T09:04:17Z)
ConsRec: Denoising Sequential Recommendation through User-Consistent Preference Modeling [33.281526528724335]
ユーザ一貫性を持つ参照型シーケンスレコメンデーションシステム(ConsRec)を提案する。 ConsRecは安定したユーザの好みをキャプチャし、インタラクション履歴からノイズの多いアイテムをフィルタリングする。その結果、ConsRecはベースラインレコメンデーションモデルよりも13%改善されている。
論文参考訳（メタデータ） (2025-05-28T08:55:13Z)
Topology-aware Debiased Self-supervised Graph Learning for Recommendation [6.893289671937124]
本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。 TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成するその結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2023-10-24T14:16:19Z)
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)
Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文参考訳（メタデータ） (2021-01-08T04:16:24Z)

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。