論文の概要: Beyond Observed Auxiliary Relations: Environment-Conditioned Modeling for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2608.22920v1
• Date: Mon, 24 Aug 2026 07:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.957009
• Title: Beyond Observed Auxiliary Relations: Environment-Conditioned Modeling for Multi-Behavior Recommendation
• Title（参考訳）: 観測された補助的関係を超えて:マルチビヘイビア勧告のための環境調和型モデリング
• Abstract要約: マルチビヘイビアレコメンデーション(MBR)は、クリックや追加カートといった補助的な行動信号を活用して、購入のようなターゲットの行動予測を強化する。 最近のグラフニューラルネットワークに基づくアプローチは、補助行動信号を体系的に伝播することにより、強力な性能を実現している。 本稿では,補助可観測性に配慮した2つの相補的なモジュールを通して,不在かつ信頼性の低い補助信号に対処するフレームワークBOARを提案する。
• 参考スコア（独自算出の注目度）: 22.644849445656195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-behavior recommendation (MBR) leverages auxiliary behavioral signals, such as clicks and add-to-cart, to enhance target behavior prediction like purchases. While recent graph neural network-based approaches have achieved strong performance by systematically propagating auxiliary behavior signals, they still suffer from two fundamental challenges inherent to auxiliary behaviors: (1) missing auxiliary signals, which hinder generalization to items without auxiliary observations, and (2) unreliable auxiliary signals, which amplify noise misaligned with the target behavior. To address these challenges in a unified manner, we propose BOAR, an environment-conditioned MBR framework that addresses missing and unreliable auxiliary signals through two complementary modules conditioned on auxiliary observability. Extensive experiments demonstrate that BOAR consistently outperforms state-of-the-art baselines, achieving up to 7.82% gains in HR@10 overall and up to 44.2% gains for target items without auxiliary observations, highlighting its ability to capture hidden preferences beyond observed auxiliary relations. Our code is available at: https://github.com/LSH0411/BOAR.
• Abstract（参考訳）: マルチビヘイビアレコメンデーション(MBR)は、クリックや追加カートといった補助的な行動信号を活用して、購入のようなターゲットの行動予測を強化する。 近年のグラフニューラルネットワークに基づくアプローチは, 補助行動信号を体系的に伝播させることで, 高い性能を達成しているが, 補助行動に固有の2つの根本的な課題に悩まされている。 これらの課題を統一的に解決するために,補助可観測性を考慮した2つの相補的モジュールを介し,不在かつ信頼性の低い補助信号に対処する環境調和型MBRフレームワークBOARを提案する。 広範囲にわたる実験の結果、BOARは最先端のベースラインを一貫して上回り、HR@10では7.82%、目標項目では44.2%のゲインを達成し、観察された補助的関係を超えて隠れた嗜好を捉える能力を強調している。 私たちのコードは、https://github.com/LSH0411/BOAR.comで利用可能です。

関連論文リスト

• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• GCIB: Graph Contrastive Information Bottleneck for Multi-Behavior Recommendation [16.952276846859913]
  補助行動情報を識別する新しいフレームワークであるGCIB(Graph Contrastive Information Bottleneck)を紹介する。 構造レベルでは、GCIBはグラフインフォメーション・ボトルネック(Graph Information Bottleneck)の目的を用いて、識別された補助グラフと目標ビヘイビアグラフの相互情報を最大化する。 機能レベルでは、ユーザとアイテムの相補的なビューとして補助的特徴と目標的特徴を識別するクロスビヘイビアグラフコントラスト学習方式を提案する。
  論文  参考訳（メタデータ） (2026-05-25T10:46:15Z)
• Semantic Trimming and Auxiliary Multi-step Prediction for Generative Recommendation [22.025559532445012]
  両端最適化戦略を利用したSTAMP(Semantic Trimming and Auxiliary Multi-step Prediction)を提案する。 パブリックなAmazonおよび大規模産業データセットの実験では、STAMPは1.23--1.38$times$ speedupと17.2%--54.7%のVRAM削減を達成した。
  論文  参考訳（メタデータ） (2026-04-07T02:00:23Z)
• User Hesitation and Negative Transfer in Multi-Behavior Recommendation [55.78729938627577]
  HNTと呼ばれる弱信号学習に焦点を当てた推薦フレームワークを提案する。 標的行動につながる補助行動の特徴を学習することにより、HNTは標的行動を引き起こすことのない類似の補助行動を特定する。 3つの実世界のデータセットの実験では、HNTはHR@10とNDCG@10をそれぞれ12.57%、14.37%改善している。
  論文  参考訳（メタデータ） (2025-11-08T02:45:32Z)
• Leveraging Multiple Speech Enhancers for Non-Intrusive Intelligibility Prediction for Hearing-Impaired Listeners [2.249057377377837]
  本稿では,音声強調器を用いて並列化信号経路を提供する非侵入的知性予測フレームワークを提案する。 予測性能はエンハンサーの選択に依存し,エンハンサーのアンサンブルが最良の結果をもたらすことを示す。 当社のアプローチは、複数のデータセットにまたがる非侵入的ベースラインであるCPC2 Championを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-21T08:29:24Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• EGRA:Toward Enhanced Behavior Graphs and Representation Alignment for Multimodal Recommendation [50.848374648774374]
  MMR(MultiModal Recommendation)システムは、リッチな項目側モダリティ情報を活用することで、推奨品質を改善するための有望なソリューションとして登場した。 本稿では,事前学習したMMRモデルにより生成された表現から構築されたアイテム-イムグラフの挙動グラフを組み込んだEGRAを提案する。 また、両レベルの動的アライメント重み付け機構を導入し、モダリティ・ビヘイビアのアライメントアライメントを改善する。
  論文  参考訳（メタデータ） (2025-08-22T07:47:54Z)
• 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)
• 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)
• 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)

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。