論文の概要: Learning to Forget: Satiation-Aware Long-Sequence Transducers for Mitigating Post-Purchase Redundancy

• arxiv url: http://arxiv.org/abs/2607.12714v1
• Date: Tue, 14 Jul 2026 12:40:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.142835
• Title: Learning to Forget: Satiation-Aware Long-Sequence Transducers for Mitigating Post-Purchase Redundancy
• Title（参考訳）: 学習が忘れられる: ポーズ後冗長を緩和するための満足度を考慮した長周期トランスデューサ
• Abstract要約: Satiation-Aware Mechanism (SAM)は、ユーザの関心事のライフサイクルを明示的にモデル化するために設計されたエンドツーエンドのフレームワークである。 SAM には,(1) 達成意図に関連する履歴クリックを遡及的に抑制するデュアルパス横断型アーキテクチャ,(2) 購入直後の満足度を抑えるための適応的満足度ゲーティングユニット (ASGU) と,(3) 手作業による手作業による手作業のない潜伏製品ライフサイクルを学習する自己指導型タイム・ツー・ネクスト・パーチェーズ (TTNP) の3つの重要な構成要素が組み込まれている。
• 参考スコア（独自算出の注目度）: 5.2302341095009135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation models predominantly interpret user interactions as positive signals for preference accumulation. However, in e-commerce scenarios, a purchase action often signifies the termination of a specific intent ("Interest Exit") rather than its continuation. Existing models overlook this distinction, suffering from Action-Intent Asymmetry, which leads to severe post-purchase redundancy. In this paper, we propose the Satiation-Aware Mechanism (SAM), an end-to-end framework designed to explicitly model the lifecycle of user interests. SAM incorporates three key components: (1) A Dual-path Cross-Attention architecture that retroactively suppresses historical clicks associated with a fulfilled intent while simultaneously retrieving personalized replenishment rhythms from long-term purchase history; (2) An Adaptive Satiation Gating Unit (ASGU) that generates a time-sensitive soft mask to inhibit satisfied interests immediately after purchase and gradually "re-awaken" them as the predicted repurchase cycle approaches; and (3) A self-supervised Time-to-Next-Purchase (TTNP) auxiliary task to learn latent product lifecycles without manual annotation. Extensive offline experiments on industrial datasets and online A/B testing demonstrate that SAM significantly reduces the Post-Purchase Repeat Rate (PPRR) by over 60%.
• Abstract（参考訳）: 逐次レコメンデーションモデルは、主に好みの蓄積のための肯定的なシグナルとしてユーザーインタラクションを解釈する。 しかし、eコマースのシナリオでは、購入行為は、その継続ではなく、特定の意図("Interest Exit")の終了を意味することが多い。 既存のモデルは、アクション・インテント非対称性に悩まされ、購入後の深刻な冗長性につながるこの区別を見落としている。 本稿では,ユーザ関心のライフサイクルを明示的にモデル化するエンドツーエンドフレームワークであるSatiation-Aware Mechanism (SAM)を提案する。 SAM には,(1) 長期購入履歴からパーソナライズされた補充リズムを同時に取得しながら,達成意図に関連する履歴クリックを遡及的に抑制するデュアルパス・クロス・アテンションアーキテクチャ,(2) 購入直後の利害関係者の満足感を抑えるためのアダプティブ・サイテーション・ゲーティング・ユニット(ASGU) と,(3) マニュアルなしで潜在商品ライフサイクルを学習するための自己指導型 Time-to-Next-Purchase (TTNP) の3つの重要な構成要素が組み込まれている。 産業データセットとオンラインA/Bテストに関する大規模なオフライン実験は、SAMがPost-Purchase Repeat Rate (PPRR)を60%以上削減することを示した。

関連論文リスト

• S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation [11.19507489603123]
  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。
  論文  参考訳（メタデータ） (2026-06-24T05:24:18Z)
• InA-Probe: Instruction-Aware Active Probing for Time Series Forecasting with LLMs [45.91332553359387]
  大規模言語モデル(LLM)は、最近、時系列予測の驚くべき可能性を実証した。 Instruction-aware Active Probing (InA-Probe)を提案する。 実験では、InA-Probeは最先端のディープラーニングとLLMベースのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-07T12:27:13Z)
• Time-Interval-Aware Disentangled Expert Modeling for Next-Basket Recommendation [16.792016367192392]
  Next-Basket (NBR) は、ユーザーが過去のトランザクションバスケットシーケンスに基づいて購入するアイテムのセットを予測することを目的としたレコメンデーションの一種である。 それは、習慣的再購入と探索的関心という、2つの異なるユーザー意図の間の動的相互作用によって支配される。 これらの課題に対処するために、TimeInterval Disentangled Experts (TIDE)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T08:20:49Z)
• Mixture of Sequence: Theme-Aware Mixture-of-Experts for Long-Sequence Recommendation [48.98369214412951]
  ノイズの多い生ユーザシーケンスからテーマ特化サブシーケンスとマルチスケールサブシーケンスを抽出し,正確な予測を実現するモデルに依存しないMoE手法を提案する。 実験結果から, FLOPは少ないが, MoS はSOTA の性能を一貫して達成できることがわかった。
  論文  参考訳（メタデータ） (2026-03-01T23:20:48Z)
• DualGR: Generative Retrieval with Long and Short-Term Interests Modeling [23.123644321765607]
  Generative Retrieval (GR) は Embedding-based Retrieval (EBR) の代替として登場した。 ユーザ興味の2つの地平線を選択的アクティベーションで明示的にモデル化する生成検索フレームワークであるDualGRを提案する。 オンラインA/Bテストでは0.527%のビデオビューと+0.432%のウォッチタイムリフトがあり、DualGRは産業生成検索の実践的で効果的なパラダイムとして検証されている。
  論文  参考訳（メタデータ） (2025-11-16T09:20:54Z)
• 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)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• 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)

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。