論文の概要: Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2607.18609v1
• Date: Tue, 21 Jul 2026 01:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.286516
• Title: Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation
• Title（参考訳）: マシュー効果の緩和:会話推薦のためのマルチハイパーグラフ強化多目的セルフスーパーバイザラーニング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 77.26217251369263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Matthew effect is a big challenge in Recommender Systems (RSs), where popular items tend to receive increasing attention, while less popular ones are often overlooked, perpetuating existing disparities. Although many existing methods attempt to mitigate Matthew effect in the static or quasi-static recommendation scenarios, such issue will be more pronounced as users engage with the system over time. To this end, we propose a novel framework, Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation (HiCore), aiming to address Matthew effect in the Conversational Recommender System (CRS) involving the dynamic user-system feedback loop. It devotes to learn multi-level user interests by building a set of hypergraphs (i.e., item-, entity-, word-oriented multiple-channel hypergraphs) to alleviate the Matthew effec. Extensive experiments on four CRS-based datasets showcase that HiCore attains a new state-of-the-art performance, underscoring its superiority in mitigating the Matthew effect effectively. Our code is available at https://github.com/zysensmile/HiCore.
• Abstract（参考訳）: Matthew効果はRecommender Systems(RS)において大きな課題であり、人気のあるアイテムが注目される傾向にある一方で、あまり人気のないものはしばしば見過ごされ、既存の格差が持続する。 多くの既存のメソッドは、静的または準静的なレコメンデーションシナリオにおけるMatthew効果を緩和しようと試みているが、そのような問題は、ユーザが時間をかけてシステムに関わることでより顕著になるだろう。 そこで本研究では,対話型レコメンデーションシステム(CRS)において,動的ユーザ・システムフィードバックループを含むマシュー効果に対処することを目的とした,対話型レコメンデーション(HiCore)のためのマルチハイパーグラフ強化型自己改善学習(Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning)を提案する。 それは、Matthew effecを緩和するために、一連のハイパーグラフ(アイテム、エンティティ、ワード指向のマルチチャネルハイパーグラフ)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努めている。 4つのCRSベースのデータセットに関する大規模な実験は、HiCoreが新しい最先端のパフォーマンスを達成したことを示している。 私たちのコードはhttps://github.com/zysensmile/HiCore.comから入手可能です。

関連論文リスト

• HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation [68.19856372870741]
  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。
  論文  参考訳（メタデータ） (2026-07-20T01:22:06Z)
• 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)
• Multi-Graph Co-Training for Capturing User Intent in Session-based Recommendation [3.105656247358225]
  セッションベースのレコメンデーションは、匿名ユーザセッションのシーケンスに基づいて、ユーザが次に対話するアイテムを予測することに焦点を当てる。 既存の手法のほとんどは、利用可能な豊富な補助情報を見渡すことで、ユーザの現在のインタラクションに大きく依存している。 我々は,現在のセッショングラフだけでなく,類似セッショングラフやグローバルアイテム関係グラフも活用する,新しいモデルであるMulti-Graph Co-Training Model (MGCOT)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T08:08:07Z)
• 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-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation [13.355017204983973]
  シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 本稿では,MSDCCL(Multi-level Sequence Denoising with Cross-signal Contrastive Learning)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-22T04:57:33Z)
• Impression-Informed Multi-Behavior Recommender System: A Hierarchical Graph Attention Approach [4.03161352925235]
  textbfHierarchical textbfMulti-behavior textbfGraph Attention textbfNetwork (HMGN)を紹介する。 この先駆的なフレームワークは、注意機構を利用して、行動内および行動内の両方から情報を識別する。 従来のグラフニューラルネットワーク手法に比べて,NDCG@100で最大64%の顕著なパフォーマンス向上を登録する。
  論文  参考訳（メタデータ） (2023-09-06T17:09:43Z)
• 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)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端の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） (2021-10-08T09:44:00Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)

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。