論文の概要: HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2607.17461v1
• Date: Mon, 20 Jul 2026 01:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.473492
• Title: HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation
• Title（参考訳）: HyCoRec:会話レコメンデーションにおけるマシュー効果軽減のためのハイパーグラフ強化マルチパラメータ学習
• Abstract要約: 会話レコメンデーション(HyCoRec)におけるマシュー効果を緩和するための新しいパラダイムであるハイパーグラフ強化マルチパラメータ学習を提案する。 HyCoRecは、アイテム-、エンティティ-、ワード-、レビュー-、ナレッジ-アスペクティブといったマルチアスペクトの嗜好を学習することでマシュー効果を緩和し、ユーザが時間をかけてシステムとチャットするときのリコメンデーションタスクにおける反応を効果的に生成し、リコメンデーションタスクにおけるアイテムを正確に予測する。
• 参考スコア（独自算出の注目度）: 68.19856372870741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Matthew effect is a notorious issue in Recommender Systems (RSs), \emph{i.e.}, the rich get richer and the poor get poorer, wherein popular items are overexposed while less popular ones are regularly ignored. Most methods examine Matthew effect in static or nearly-static recommendation scenarios. However, the Matthew effect will be increasingly amplified when the user interacts with the system over time. To address these issues, we propose a novel paradigm, Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation (HyCoRec), which aims to alleviate the Matthew effect in conversational recommendation. Concretely, HyCoRec devotes to alleviate the Matthew effect by learning multi-aspect preferences, \emph{i.e.}, item-, entity-, word-, review-, and knowledge-aspect preferences, to effectively generate responses in the conversational task and accurately predict items in the recommendation task when the user chats with the system over time. Extensive experiments conducted on two benchmarks validate that HyCoRec achieves new state-of-the-art performance and the superior of alleviating Matthew effect. Our code is available at https://github.com/zysensmile/HyCoRec.
• Abstract（参考訳）: マシュー効果はRecommender Systems (RSs), \emph{i.e.} において悪名高い問題であり、富裕層はより豊かになり貧乏層はより貧しくなり、人気のあるアイテムは過度に露出し、人気度の低いものは定期的に無視される。 ほとんどのメソッドは、静的またはほぼ静的なレコメンデーションシナリオにおけるMatthew効果を調べる。 しかし、Matthew効果は、ユーザが時間をかけてシステムと対話するとき、徐々に増幅される。 これらの課題に対処するために,会話レコメンデーション(HyCoRec)におけるマシュー効果を緩和するハイパーグラフ強化型マルチパラメータ学習(Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect)を提案する。 具体的には、HyCoRecは、マルチアスペクトの嗜好(emph{i.e.}, item-, entity-, word-, review-, knowledge-aspect preferences)を学習することでマシュー効果を緩和し、ユーザが時間をかけてシステムとチャットするときの推奨タスクにおけるアイテムを効果的に生成し、リコメンデーションタスクにおけるアイテムを正確に予測する。 HyCoRecが新しい最先端性能を実現し、マシュー効果を緩和する上で優れていることを2つのベンチマークで検証した。 私たちのコードはhttps://github.com/zysensmile/HyCoRec.comで利用可能です。

関連論文リスト

• Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation [77.26217251369263]
  対話型レコメンデーション(HiCore)のための新しいフレームワーク、Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learningを提案する。 HiCoreは、Matthew効果を緩和するハイパーグラフのセットを構築することで、マルチレベルのユーザ関心を学習することに注力している。
  論文  参考訳（メタデータ） (2026-07-21T01:07:40Z)
• HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
  HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。 長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。 ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
  論文  参考訳（メタデータ） (2025-10-15T16:45:59Z)
• Why Multi-Interest Fairness Matters: Hypergraph Contrastive Multi-Interest Learning for Fair Conversational Recommender System [55.39026603611269]
  公正な会話レコメンダシステム(HyFairCRS)のためのハイパーグラフコントラスト学習フレームワークを提案する。 HyFairCRSは対話型対話型レコメンダシステム(CRS)における多目的多様性フェアネスの促進を目指す 2つのCRSベースのデータセットの実験により、HyFairCRSは、不公平を効果的に軽減しつつ、新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-07-01T11:39:42Z)
• Contextual Bandit with Herding Effects: Algorithms and Recommendation Applications [17.865143559133994]
  ハーディングエフェクト」は、ユーザのフィードバックを歴史的評価に偏り、文脈的包帯に固有の偏りのないフィードバックの仮定を分解する。 本報告では, 群れ効果によるフィードバックバイアスに対処するために, 文脈的包帯の新たな変種を考案する。 TS-Confは,遺伝効果の負の影響を効果的に軽減し,学習の高速化と推奨精度の向上を図った。
  論文  参考訳（メタデータ） (2024-08-26T17:20:34Z)
• Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
  知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
  論文  参考訳（メタデータ） (2024-08-02T15:38:55Z)
• Multi-grained Hypergraph Interest Modeling for Conversational Recommendation [75.65483522949857]
  複雑な履歴データの下でユーザの興味を捉えるために, マルチグラデーション・ハイパーグラフ・インフォメーション・モデリング手法を提案する。 提案手法では,まず,ユーザの過去の対話セッションをモデル化し,セッションベースハイパーグラフを作成するためにハイパーグラフ構造を用いる。 さらに,2種類のハイパーグラフに対して多粒度ハイパーグラフの畳み込みを行い,拡張表現を用いて関心を意識したCRSを開発する。
  論文  参考訳（メタデータ） (2023-05-04T13:13:44Z)
• Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
  以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。 具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。 提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:12:00Z)
• 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)
• Towards Topic-Guided Conversational Recommender System [80.3725246715938]
  textbfTG-ReDial(textbfTopic-textbfGuided textbfDialogによるtextbfRecommendation)という新しいCRSデータセットをコントリビュートする。 本稿では,話題誘導型会話レコメンデーションの課題を提示し,この課題に対する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-08T17:04:30Z)

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。