論文の概要: User Representation via Cross Multi-source Behavior Pre-training for Mobile Games
- arxiv url: http://arxiv.org/abs/2609.01057v1
- Date: Tue, 01 Sep 2026 10:53:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.588751
- Title: User Representation via Cross Multi-source Behavior Pre-training for Mobile Games
- Title（参考訳）: モバイルゲームのためのクロスマルチソース行動事前学習によるユーザ表現
- Authors: Chengqi Yang, Yiran Qiao, Feng Liu, Xingyu Lou, Zijun Zhou, Xiaoyun Mo, Changwang Zhang, Jiayuan Xu, Jun Wang, Xiang Ao,
- Abstract要約: デバイスレベルの動作ログに基づくモバイルゲームユーザ表現学習のためのクロスマルチソース行動事前学習モデルを提案する。
CM-PTMはユーザの内在的関心を効果的に捉え、ダウンストリームなモバイルゲームレコメンデーションタスクにおいて常に大きなパフォーマンス向上をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 15.077229487992016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User representation pre-training has become a fundamental paradigm for alleviating data sparsity in downstream personalization tasks. However, existing studies predominantly focus on single-app or app-level behaviors, overlooking the inherently cross-source and multi-granular nature of user activities on mobile devices. At the device level, user intent emerges from complex interactions among heterogeneous behavior sources and hierarchical action structures, posing challenges that cannot be addressed by conventional app-centric modeling. To tackle this issue, we propose CM-PTM, a novel Cross Multi-source Behavior Pre-Training Model tailored for mobile game user representation learning on device-level behavioral logs. CM-PTM employs hierarchical cascaded mask-then-predict proxy tasks that first infer the source of the next behavior and then progressively refine predictions at the app-action level. This design enables unified modeling of cross-source dependencies and fine-grained behavioral dynamics within a single pre-training paradigm. Extensive experiments on large-scale real-world mobile datasets demonstrate that CM-PTM effectively captures users' endogenous interests and consistently delivers significant performance gains on downstream mobile game recommendation tasks.
- Abstract（参考訳）: ユーザ表現事前学習は、下流のパーソナライゼーションタスクにおけるデータの分散を緩和するための基本パラダイムとなっている。
しかし,既存研究は主に単一アプリやアプリレベルの動作に注目し,モバイルデバイス上でのユーザアクティビティの本質的にクロスソースかつマルチグラニュラーな性質を見越す。
デバイスレベルでは、ユーザ意図は異種行動源と階層的な行動構造の間の複雑な相互作用から生まれ、従来のアプリ中心モデリングでは対処できない課題を提起する。
そこで本研究では,デバイスレベルの動作ログに基づくモバイルゲームユーザ表現学習に適した,クロスマルチソース行動事前学習モデルであるCM-PTMを提案する。
CM-PTMは階層的なマスク列予測プロキシタスクを採用し、まず次の動作のソースを推測し、次にアプリアクションレベルで予測を段階的に洗練する。
この設計は、単一の事前学習パラダイム内で、ソース間の依存関係ときめ細かい振る舞いのモデリングを可能にする。
大規模な実世界のモバイルデータセットに対する大規模な実験は、CM-PTMがユーザの内在的関心を効果的に捉え、ダウンストリームのモバイルゲームレコメンデーションタスクにおいて、継続的に大きなパフォーマンス向上をもたらすことを示した。
関連論文リスト
- SCAR: Self-Supervised Continuous Action Representation Learning [36.917304453471864]
視覚的遷移から具現化された動作表現を学習するための共同逆フォワード動的フレームワークであるSCARを提案する。
事前訓練された生成バックボーン上に構築されたSCARは、逆ダイナミクスモデル(IDM)を使用して、潜時観測ペアから潜時動作を推論し、フォワードダイナミクスモデル(FDM)を用いて、それらに条件付けられた将来のダイナミクスを予測する。
Procgen と Robotwin のデータセットの実験により、学習された統合潜在行動表現は、具体化固有の生の行動よりも、世界モデリングのためのより強い条件付けインターフェースとして機能することが示された。
論文 参考訳（メタデータ） (2026-05-13T16:23:11Z) - Going with the Flow: Koopman Behavioral Models as Implicit Planners for Visuo-Motor Dexterity [1.6865201067073452]
本稿では,一様挙動モデル (UBMs) を紹介する。
Koopman-UBM は UBM の最初のインスタンス化であり、潜在視覚的特徴と固有受容的特徴の結合フローが構造化線形システムによって制御される統一表現を学習する。
論文 参考訳（メタデータ） (2026-02-07T07:18:00Z) - Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。
USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
論文 参考訳（メタデータ） (2025-08-18T02:42:16Z) - A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。
大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
論文 参考訳（メタデータ） (2025-07-08T12:37:55Z) - BehaveGPT: A Foundation Model for Large-scale User Behavior Modeling [14.342911841456663]
本研究では,大規模ユーザ行動予測に特化して設計された基礎モデルであるBehaveGPTを提案する。
BehaveGPTは膨大なユーザーの行動データセットに基づいてトレーニングされており、複雑な行動パターンを学習することができる。
提案手法では,ユーザ行動データに適したDROベースの事前学習パラダイムを導入し,モデルの一般化と転送性を向上させる。
論文 参考訳（メタデータ） (2025-05-23T08:43:46Z) - Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。
提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文 参考訳（メタデータ） (2024-11-04T23:15:21Z) - A Population-to-individual Tuning Framework for Adapting Pretrained LM to On-device User Intent Prediction [14.818168132725544]
PITuningはデバイス上での意図予測のための個体間チューニングフレームワークである。
PITuningは、デバイス上での予測シナリオに対して、長い尾の好みと実用性をキャプチャする。
論文 参考訳（メタデータ） (2024-08-19T09:07:33Z) - Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
視覚力学モデリングのための新しい連続学習手法を提案する。
まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。
そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - EUCLID: Towards Efficient Unsupervised Reinforcement Learning with
Multi-choice Dynamics Model [46.99510778097286]
教師なし強化学習(URL)は,タスクに依存しない環境で有用な行動を学ぶための,有望なパラダイムである。
本研究では,事前学習フェーズにおける動的モデルと教師なし探索ポリシーを協調的に事前学習するための,新しいモデル融合パラダイムを提案する。
本研究では,EUCLIDが高サンプリング効率で最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2022-10-02T12:11:44Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳（メタデータ） (2022-03-30T03:54:11Z)
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。