論文の概要: From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2608.11846v1
• Date: Wed, 12 Aug 2026 09:39:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.533562
• Title: From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation
• Title（参考訳）: 概観から探究へ:シークエンシャルレコメンデーションのための視点の混合による項目関係の復元
• Abstract要約: 我々は、ペアワイズアイテムの相互作用を計算する能力において、自己意識が逐次的な推奨において支配的であることを示す。 複数の視点から項目関係を再検討するモジュールであるPRISMを提案する。 PRISMは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 18.117610268256005
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Capturing user preference from a user's interaction sequence is the central challenge of Sequential Recommendation (SR). This preference intuitively emerges from inter-item relations: each item transition reflects a preference embedded in the relations between items, making the faithful capture of these relations essential for accurate recommendation. For this reason, self-attention is dominant in sequential recommendation for its ability to compute pairwise item interactions, yet our empirical analysis reveals that it consistently suffers from similarity bias across various types of transformer-based SR models: dot-product attention scores disproportionately favor similar items, systematically overlooking heterogeneous relations with meaningful preference signals and directly limiting recommendation performance. To address this, we propose PRISM (Perspective-based Relational Insight Synthesis Module), a module that re-examines item relations from multiple perspectives. PRISM employs K Perspective Lenses to calibrate attention from distinct viewpoints, combining an Affinity View that refines homogeneous relations and a Contrast View that exposes heterogeneous ones suppressed by similarity bias, enabling the model to capture the full spectrum of user preferences. Extensive experiments on seven real-world benchmarks demonstrate that PRISM consistently outperforms state-of-the-art baselines. Our code is available at https://github.com/327aem/PRISM/.
• Abstract（参考訳）: ユーザのインタラクションシーケンスからユーザの好みをキャプチャすることは、Sequential Recommendation(SR)の中心的な課題である。 各項目の遷移は、アイテム間の関係に埋め込まれた好みを反映し、これらの関係を忠実に捉えて正確なレコメンデーションを行う。 このような理由から、ペアワイズアイテムの相互作用を計算する能力において、自己注意は逐次的に推奨されるが、我々の経験的分析は、様々な種類のトランスフォーマーベースSRモデルにおいて、常に類似性バイアスに悩まされていることを明らかにしている。 そこで本研究では,複数の視点から項目関係を再検討するモジュールであるPRISM(Relational Insight Synthesis Module)を提案する。 PRISMはK Perspective Lensesを使用して異なる視点から注意を調整し、同種関係を洗練させるアフィニティビューと、類似性バイアスによって抑圧された異種関係を露出するコントラストビューを組み合わせることで、モデルがユーザーの好みの完全なスペクトルをキャプチャすることを可能にする。 7つの実世界のベンチマークに関する大規模な実験は、PRISM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。 私たちのコードはhttps://github.com/327aem/PRISM/で利用可能です。

関連論文リスト

• Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation [9.74556536240202]
  AdaptedKGは、レコメンデーションモデルにグラフ表現を追加することなく、トレーニング例ごとにキャリブレーションされたKGエビデンスを導出する。 すべてのサンプル固有のスコアはトレーニングインタラクションと固定KGを使用してオフラインで計算されるため、バックボーンは変更されず、推論時にKGアクセスは不要である。
  論文  参考訳（メタデータ） (2026-08-21T15:54:39Z)
• 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)
• PRISM: Refracting the Entangled User Behavior Space for E-Commerce Search [5.387173334885012]
  電子商取引検索システムは、アイテムの関連性とユーザの嗜好を推定するために、ユーザー行動のモデル化に頼っている。 ユーザインタラクションは、露出メカニズム、フィードバックループ、セマンティックマッチングによって共同で形成される。 我々は、eコマース検索行動予測のためのPreference-Relevance Interaction Semantic ModelingフレームワークであるPRISMを提案する。
  論文  参考訳（メタデータ） (2026-05-08T06:05:33Z)
• User-Aware Conditional Generative Total Correlation Learning for Multi-Modal Recommendation [21.30527831237202]
  本稿では,条件付き生成的トータル相関学習フレームワークであるGTCを紹介する。 我々は,対話誘導拡散モデルを用いて,ユーザ認識型コンテンツ特徴フィルタリングを行う。 標準的なMMRベンチマークの実験では、GCCは最先端よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-04-03T12:56:58Z)
• Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure [23.71990071700833]
  我々は,共購入関係の因果分解と対人暴露による多様性勧告を提案する。 LightGCN上に構築されたプラグイン・アンド・プレイのフレームワークで、精度を保ちながらレコメンデーションの多様性を高める。 我々の手法は、多様性と正確性の両方において、最先端の多様性モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-12-19T16:09:29Z)
• Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning [1.901404011684453]
  項目レベルの因果関係を強化した多視点学習を用いた新しいバンドルレコメンデーション手法である BunCa を提案する。 BunCaは、Coherent ViewとCohesive Viewという2つのビューを通じて、ユーザとバンドルの包括的な表現を提供する。 BunCaによる3つのベンチマークデータセットの実験は、この新しい研究の有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-13T07:05:27Z)
• Invariant representation learning for sequential recommendation [0.0]
  シークエンシャルレコメンデーションでは、履歴項目のシーケンスに基づいて、次の項目をユーザに自動的に推奨する。 Irl4Recという新しいシーケンシャルレコメンデーションフレームワークを紹介します。 このフレームワークは、不変学習を活用し、モデルトレーニング中に、スプリアス変数と調整変数の関係を要因とする新しい目的を用いる。
  論文  参考訳（メタデータ） (2023-08-22T18:39:39Z)
• When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation [56.98380787425388]
  シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。 SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。 産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T09:04:50Z)
• Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
  画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。 一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。 本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-25T04:33:27Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer [74.64431400185106]
  逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。 具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。 第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
  論文  参考訳（メタデータ） (2022-10-24T19:49:17Z)
• 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。