論文の概要: SwapRec: Warming Up Cold Items Through Training-Time Swaps

• arxiv url: http://arxiv.org/abs/2609.00913v1
• Date: Tue, 01 Sep 2026 08:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.484054
• Title: SwapRec: Warming Up Cold Items Through Training-Time Swaps
• Title（参考訳）: SwapRec: トレーニングタイムのスワップでコールドアイテムを温める
• Authors: Marta Moscati, Jan Malte Lichtenberg, Davide Abbattista, Antonio De Candia, Laura Boggia, Matteo Ruffini,
• Abstract要約: コールドアイテムは、IDベースのレコメンデーションシステムのリアルタイムパーソナライズに悪影響を及ぼす。 これは、そのようなインタラクションを使用することで、ユーザの好みの見積が低下するためです。 推論時にこの欠点に対処するためにしばしば適用されるものは、"スワップ"(swap)と呼ばれるコールドスタートアイテムを、最もよく似た"ウォーム"隣人によって置き換えることである。
• 参考スコア（独自算出の注目度）: 0.6716339721155583
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Interactions with cold items negatively impact real-time personalization of ID-based recommender systems. This is because the use of such interactions degrades user preference estimates, whereas excluding cold items from the user profile prevents real-time recommendation updates. In industrial scenarios, one heuristic often applied to address this shortcoming at inference time is to replace, i.e., "swap", cold-start items by their most similar "warm" neighbor, where similarity is inferred from the items' side information. In this paper, we demonstrate that sequential models, most often used for real-time personalization, are not robust to such swaps, and propose SwapRec, an approach to address this issue. SwapRec relies on using the same swap heuristics already at training time. We apply SwapRec to state-of-the-art models for sequential recommendation and analyze its impact by means of quantitative experiments in three recommendation domains (online shopping, movie, music). The experimental results show that, irrespective of the underlying sequential architecture, our easy-to-implement SwapRec approach allows for substantially more accurate recommendations when in presence of interactions with cold items, simultaneously leading to a larger percentage of cold items in the recommendation lists.
• Abstract（参考訳）: コールドアイテムとのインタラクションは、IDベースのレコメンデーションシステムのリアルタイムパーソナライズに悪影響を及ぼす。 これは、そのようなインタラクションを使用することでユーザの好みの見積が低下するのに対して、ユーザプロファイルのコールドアイテムを除くと、リアルタイムのレコメンデーション更新が防止されるためである。 産業シナリオでは、この欠点に対応するためにしばしば適用されるヒューリスティックな手法は、アイテムの側情報から類似性が推測される、すなわち「スワップ」と呼ばれるコールドスタートアイテムを、最もよく似た「ウォーム」隣人によって置き換えることである。 本稿では、リアルタイムパーソナライズによく使用されるシーケンシャルモデルが、このようなスワップに対して堅牢ではないことを実証し、この問題に対処するアプローチであるSwapRecを提案する。 SwapRecは、すでにトレーニング時に同じスワップヒューリスティックを使うことに依存している。 SwapRecを最先端のレコメンデーションモデルに適用し、3つのレコメンデーションドメイン(オンラインショッピング、映画、音楽)で定量的な実験を行い、その影響を分析した。 実験結果から,提案手法は,基礎となるシーケンシャルアーキテクチャに関係なく,コールドアイテムとの相互作用が存在する場合,より正確なレコメンデーションを可能にするとともに,リコメンデーションリストにおけるコールドアイテムの割合が大きくなることが示唆された。

関連論文リスト

• Cold-Starts in Generative Recommendation: A Reproducibility Study [66.21573264364211]
  コールドスタートレコメンデーションは、オープンワールドプラットフォームにおいて依然として中心的な課題である。 本稿では,コールドスタートプロトコルの統一スイートに基づく生成的推薦の体系的研究について述べる。
  論文  参考訳（メタデータ） (2026-03-31T15:06:31Z)
• Recommendation Is a Dish Better Served Warm [0.6827423171182154]
  本研究では,冷間開始境界について,利用者や項目が冷間と見なされるべきかどうかを判断するための基準を検討することにより,体系的に検討する。 以上の結果から,寒冷開始しきい値の不整合の選択は,不要なデータ除去につながるか,あるいは寒冷インスタンスの誤分類につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-08-11T11:14:49Z)
• 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)
• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start Recommendations [24.815498451832347]
  本稿では,過去にインタラクションがあったが,最近は比較的非アクティブなユーザに焦点を当てた,新しい動的レコメンデーションモデルを提案する。 近年のインタラクションが不足しているため、これらのユーザの現在の好みを正確に把握することは困難である。
  論文  参考訳（メタデータ） (2022-04-03T02:04:12Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。