論文の概要: Two-Sided State-Space Models for Sequential Recommendation with Non-Random Multimodal Review Feedback
- arxiv url: http://arxiv.org/abs/2609.00165v1
- Date: Mon, 31 Aug 2026 18:00:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:35.921891
- Title: Two-Sided State-Space Models for Sequential Recommendation with Non-Random Multimodal Review Feedback
- Title（参考訳）: 非ランダムなマルチモーダルレビューフィードバックを用いたシーケンスレコメンデーションのための2次元状態空間モデル
- Abstract要約: イベント条件付きシーケンシャルレコメンデーションのための2面状態空間モデル(TS-SSM)を提案する。
TS-SSMは,(1)レビュー内容と情報的観察パターンをエンコードするモジュール,(2)時間的変動を伴うユーザ状態の進化と,関連する項目の状態を用いてユーザの嗜好を洗練させるローカルグラフのメッセージパッシング,(3)肯定的および否定的なレビューフィードバックを非対称に伝達するアイテム状態の進化の3つのコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 5.351519104745287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two-sided digital platforms are inherently dynamic: user preferences shift, item popularity evolves, and reviews both reflect and drive these changes. Yet most sequential recommendation systems treat reviews as passive signals for updating user states, leaving two aspects underexplored. First, review generation is nonrandom, depending on evolving latent states of both users and items. Second, reviews can reshape item states, induce spillover across related items, and influence future user decisions. To address these gaps, we propose a two-sided state-space model (TS-SSM) for event-conditioned sequential recommendation. TS-SSM consists of three components: (1) a modality-missing-not-at-random fusion module that encodes review content and informative observation patterns; (2) user-state evolution with temporal variation and local graph message passing that uses related item states to refine user preferences; and (3) item-state evolution with asymmetric carryover of positive and negative review feedback. In experiments across six Amazon categories, TS-SSM increases Recall@20 over BSARec by 14.8%--18.8% and exceeds HM4SR by 11.7% on average. On Goodreads Fantasy, Recall@20 improves HM4SR from .5191 to .5847. Ablations highlight distinct contributions of observation patterns, local propagation, and item dynamics.
- Abstract（参考訳）: 2面のデジタルプラットフォームは本質的に動的で、ユーザの好みの変化、アイテムの人気の高まり、レビューの反映と推進だ。
しかし、ほとんどのシーケンシャルなレコメンデーションシステムは、レビューをユーザの状態を更新するための受動的シグナルとして扱い、2つの側面を過小評価している。
まず、レビュー生成は、ユーザとアイテムの両方の潜伏状態の進化に応じて非ランダムである。
第二に、レビューはアイテムの状態を再形成し、関連する項目にまたがってこぼれを誘発し、将来のユーザ決定に影響を与えることができる。
これらのギャップに対処するために、イベント条件付きシーケンシャルレコメンデーションのための二面状態空間モデル(TS-SSM)を提案する。
TS-SSMは,(1)レビュー内容と情報的観察パターンをエンコードするモジュール,(2)時間的変動を伴うユーザ状態の進化と,関連する項目の状態を用いてユーザの嗜好を洗練させるローカルグラフのメッセージパッシング,(3)肯定的および否定的なレビューフィードバックを非対称に伝達するアイテム状態の進化の3つのコンポーネントから構成される。
6つのAmazonカテゴリにわたる実験では、TS-SSMはBSARecよりもRecall@20を14.8%から18.8%増やし、平均して11.7%のHM4SRを超えた。
Goodreads Fantasyでは、Recall@20はHM4SRを.5191から.5847に改善した。
アブレーションは、観察パターン、局所伝播、アイテムダイナミクスの明確な貢献を強調している。
関連論文リスト
- MEMOIR: Temporal Behavioral Memory for Recommendation Across the Preference-Drift Spectrum [0.0]
本稿では,ユーザインタラクション履歴を時間ウィンドウに分割するフレームワークMEMOIRを提案する。
MEMOIRは、現在の状態、進化方向、予測される未来を単一のユーザ表現に集約する。
論文 参考訳（メタデータ） (2026-07-27T04:27:58Z) - POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation [47.301549241806185]
本稿では, 固有部分順序関係に基づく新しいリアルタイム逐次モデリングフレームワークを提案する。
POEMは、アップストリームランキングモジュールが生成するリアルタイムマルチタスクランキングスコアを、動的部分順序列の構築の監督として利用する。
Kuaishouオンライントラフィックに完全にデプロイされたPOEMは、オンライン上の大きな利益を達成している。
論文 参考訳（メタデータ） (2026-06-29T08:23:04Z) - 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) - Enhancing Time Awareness in Generative Recommendation [17.56475318032946]
我々は、時間認識(GRUT)を用いた新しいモデル、生成レコメンダを提案する。
まず2つの重要なコンテキストからなる時間認識型プロンプティングを紹介する。
また,トレンド認識推論(Trend-Aware Inference)も考案した。
論文 参考訳（メタデータ） (2025-09-17T13:28:46Z) - Improving Sequential Recommenders through Counterfactual Augmentation of System Exposure [75.45798019935947]
シーケンシャルレコメンデーション(CaseRec)のためのシステム露出に対する反ファクト改善を提案する。
CaseRecは、異なる露出報酬を考慮に入れた強化学習を導入する。
拡張項目に対するユーザフィードバック報酬を予測するために,トランスフォーマーベースのユーザシミュレータを提案する。
論文 参考訳（メタデータ） (2025-04-18T05:46:27Z) - Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。
我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。
ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
論文 参考訳（メタデータ） (2024-10-31T14:52:01Z) - On Generative Agents in Recommendation [58.42840923200071]
Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。
各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
論文 参考訳（メタデータ） (2023-10-16T06:41:16Z) - CPMR: Context-Aware Incremental Sequential Recommendation with
Pseudo-Multi-Task Learning [7.12850130177239]
本研究では,歴史シナリオと文脈シナリオの両方の進化をモデル化する文脈認識型 Pseudo-Multi-Task Recommender System (CPMR) を提案する。
4つのベンチマークレコメンデーションデータセットの実験結果は、CPMR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） (2023-09-09T14:07:11Z) - Dynamic Review-based Recommenders [1.5427245397603195]
我々は、レビュー生成の因果関係を尊重する評価予測を強化するために、レビューの既知の力を活用している。
我々の表現は時間間隔で認識されるので、力学の連続した時間表現が得られる。
論文 参考訳（メタデータ） (2021-10-27T20:17:47Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z)
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。