論文の概要: Multi Interests for Joint Search-Recommendation Modeling

• arxiv url: http://arxiv.org/abs/2608.10535v1
• Date: Tue, 11 Aug 2026 06:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.9261
• Title: Multi Interests for Joint Search-Recommendation Modeling
• Title（参考訳）: 共同探索-勧告モデリングの多目的化
• Abstract要約: マルチ関心に基づく混合逐次モデリングフレームワークMIJSRを提案する。 モデルは大きく3つのモジュールに分けられる: クロスドメインな振る舞い融合、マルチ関心マイニング、マルチタスク予測である。 本モデルは,ユーザの多目的をきめ細かいレベルで抽出することで,検索・推薦の精度をさらに高めることができる。
• 参考スコア（独自算出の注目度）: 6.74797033837872
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Search and recommendation are crucial for understanding user preferences. More and more studies are attempting to jointly model search behavior and recommendation behavior, by integrating user active search and passive recommendation behavior data to better mine user preferences. However, although existing cross-domain unified modeling frameworks can effectively compensate for the differences in behavior between domains, they overlook the expression of interests in different scenarios under mixed sequences. In this study, we propose a multi-interest-based mixed sequential modeling framework MIJSR, which performs multi-interest mining and adaptive integration on search recommendation mixed sequences from both structural and semantic perspectives. Specifically, our model can be roughly divided into three modules: cross-domain behavior fusion, multi-interest mining, and multi-task prediction. Firstly, we align the representations of query and item through contrastive learning training. Then, we extract the multi interests of the mixed behavior sequence from both structural and semantic perspectives. Structurally, we extract search interests, recommendation interests, and cross interests through subsequence partitioning and mask settings; In terms of semantics, we use the semantic information of queries for clustering and perform semantic segmentation on mixed sequences to construct semantic multi interests. Finally, the adaptive fusion of multiple interests is combined with other side information to use a progressive layered extraction model for multi-task prediction. Extensive experiments on two open-source datasets have shown that our model can further enhance its accuracy in search and recommendation by extracting users' multi interests at a fine-grained level. Codes are available at https://github.com/pxcstart/MIJSR.
• Abstract（参考訳）: 検索とレコメンデーションは、ユーザの好みを理解するために不可欠である。 検索行動とレコメンデーション行動を協調的にモデル化する研究がますます増えており、ユーザのアクティブ検索と受動的レコメンデーション行動データを統合して、ユーザの好みをよりよくマイニングするようになっている。 しかし、既存のドメイン間統合モデリングフレームワークはドメイン間の振る舞いの違いを効果的に補うことができるが、混合シーケンスの下で異なるシナリオにおける関心の表現を見落としている。 本研究では, 構造的・意味的両面から, 検索推薦混合系列に対する多目的マイニングと適応的な統合を行う, マルチ関心に基づく混合逐次モデリングフレームワークMIJSRを提案する。 具体的には, クロスドメイン動作融合, マルチ関心マイニング, マルチタスク予測の3つのモジュールに大別できる。 まず、コントラスト学習トレーニングを通じて、クエリとアイテムの表現を整列する。 そして、構造的・意味的両面から混合行動系列の多目的性を抽出する。 セマンティックスでは,クエリのセマンティック情報を用いてクラスタリングを行い,混成配列のセマンティックセマンティックセマンティックセマンティクスを用いてセマンティクスを構成する。 最後に、複数の利害関係の適応的融合を他の側情報と組み合わせて、プログレッシブ層抽出モデルを用いてマルチタスク予測を行う。 2つのオープンソースデータセットに対する大規模な実験により,ユーザの多目的をきめ細かいレベルで抽出することで,検索と推薦の精度をさらに高めることができることが示された。 コードはhttps://github.com/pxcstart/MIJSR.comで入手できる。

関連論文リスト

• CAMMSR: Category-Guided Attentive Mixture of Experts for Multimodal Sequential Recommendation [23.478610632707728]
  本稿では,マルチモーダルシーケンスレコメンデーションのためのカテゴリー誘導型専門家混合モデルを提案する。 中心となるCAMMSRは、専門的な項目表現を複数の視点から学習する専門家モジュールのカテゴリ誘導注意混合を導入した。 4つの公開データセットの実験は、CAMMSRが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-04T17:39:35Z)
• Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals [17.608491612845306]
  逐次リコメンデータシステムは、ユーザのインタラクション履歴をモデル化し、結果のユーザ表現とストアドアイテムの埋め込みの間の内部積を計算することで、関連する項目をランク付けする。 大きなアイテムを格納する際のメモリオーバーヘッドを大幅に回避するため、生成推奨パラダイムは、各アイテムを独立したセマンティックコードとしてモデル化する。 これらのメソッドは、大きなアイテムセットの伝統的なシーケンシャルなレコメンデータを超えておらず、それらが対処するように設計されたシナリオでの採用を制限する。 マルチモーダル・セマンティック・コラボレーション・ジェネレーティブ・レコメンダであるMSCGRecを提案する。
  論文  参考訳（メタデータ） (2026-02-03T16:39:35Z)
• 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)
• Multi-Grained Preference Enhanced Transformer for Multi-Behavior Sequential Recommendation [29.97854124851886]
  シークエンシャルレコメンデーションは,過去のユーザ・イテムインタラクションから学んだユーザの動的嗜好に基づいて,次の購入項目を予測することを目的としている。 既存のメソッドは振る舞いレベルやアイテムレベルでのみ異種なマルチ振る舞いの依存関係をモデル化します。 これらの課題に対処するために,M-GPT(Multi-Grained Preference enhanced Transformer framework)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T02:45:17Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot Fine-grained Action Recognition [80.21796574234287]
  M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。 textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。 説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
  論文  参考訳（メタデータ） (2023-08-06T09:15:14Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation [5.416421678129053]
  本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。 Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-12-16T09:12:33Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)

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。