論文の概要: Closing the Long-Short View Gap in Sequential Recommendation without Cached History

• arxiv url: http://arxiv.org/abs/2609.06219v1
• Date: Sat, 05 Sep 2026 18:33:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 06:27:05.581373
• Title: Closing the Long-Short View Gap in Sequential Recommendation without Cached History
• Title（参考訳）: キャッシュ履歴のないシーケンスレコメンデーションにおけるロングショートビューギャップの閉鎖
• Abstract要約: シークエンシャルレコメンダは通常、リッチな行動信号を取得するために、長いユーザー履歴に基づいて訓練される。 本稿では,ロングショー・ビューのパフォーマンスギャップを埋めるための新しい2段階フレームワークを提案する。 第1段階では、一般的に用いられるドット積を角類似度スコアで置き換える。 第2段階では、標準的なシーケンシャルバックボーンに普遍的なバイアスとLayerNormコンポーネントのみを微調整します。
• 参考スコア（独自算出の注目度）: 26.35052461139031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommenders are typically trained on long user histories to capture rich behavioral signals, yet serving with training-length sequences is often impractical due to real-time efficiency constraints. Directly using only recent behaviors leads to a severe performance drop. To bridge this gap, existing approaches compress user histories into persistent per-user states, storing and retrieving them at inference time; while effective, they impose non-trivial infrastructure overhead and offer little remedy in cold-start scenarios. In this paper, we empirically identify two structural flaws rooted in geometric properties and dataset sparsity, and propose a novel two-stage framework to close the long-short-view performance gap. Specifically, in the first stage, we replace the commonly used dot-product with angular similarity scoring and leverage a modified softmax to counter prefix position bias. In the second stage, we fine-tune only bias and LayerNorm components, which are universal to standard sequential backbones, for further improvement. Both stages are guided by carefully designed learning objectives. Extensive experiments on two representative backbones across three public datasets demonstrate the effectiveness of our proposed framework.
• Abstract（参考訳）: シークエンシャルレコメンダは通常、リッチな行動信号を取得するために長いユーザー履歴に基づいて訓練されるが、リアルタイムの効率の制約のため、トレーニング期間のシーケンスは実用的ではないことが多い。 最近の動作のみを直接使用すると、パフォーマンスが大幅に低下する。 このギャップを埋めるために、既存のアプローチでは、ユーザ履歴をユーザ毎の永続的な状態に圧縮し、推論時に保存および検索する。 本稿では,幾何学的特性とデータセットの空間性に根ざした2つの構造的欠陥を実証的に同定し,長尺視性能ギャップを埋めるための新しい2段階フレームワークを提案する。 特に第1段階では、一般的に用いられるドット積を角相似スコアで置き換え、修正されたソフトマックスを利用して接頭位置バイアスに対処する。 第2段階では、さらなる改善のために、標準的なシーケンシャルバックボーンに普遍的なバイアスとLayerNormコンポーネントのみを微調整します。 どちらの段階も、慎重に設計された学習目標によって導かれる。 3つの公開データセットにまたがる2つの代表的なバックボーンに関する大規模な実験により、提案フレームワークの有効性が示された。

関連論文リスト

• Preference-Drift-Aware Subsequence Learning and Hierarchical Context Fusion for Long-Sequence Generative Recommendation [20.33597628832828]
  時系列生成レコメンデーション手法は、ユーザのインタラクションシーケンスを自己回帰的にモデル化し、次のitem表現を生成する。 既存の手法は、効率的なフルシーケンスモデリングとターゲット認識コンテキスト検索の2つのカテゴリに分類される。 提案手法は,長文生成推薦のための優先区切り型サブシーケンス学習と階層型コンテキスト融合である。
  論文  参考訳（メタデータ） (2026-09-11T08:01:29Z)
• Recurrent Preference Memory for Efficient Long-Sequence Generative Recommendation [27.325586037888]
  本稿では,長いユーザインタラクション履歴をコンパクトなPreference Memoryトークンに圧縮するフレームワークRec2PMを紹介する。 実験の結果、Rec2PMは推論遅延とメモリフットプリントを著しく低減し、フルシーケンスモデルよりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2026-02-12T05:51:52Z)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Gated Rotary-Enhanced Linear Attention for Long-term Sequential Recommendation [14.581838243440922]
  Gated Rotary Enhanced Linear Attention (RecGRELA) を用いた長期連続勧告モデルを提案する。 具体的には、長距離依存性を効率的にモデル化するロータリー強化線形注意(RELA)モジュールを提案する。 また,RELAのためのSiLUベースのGatedメカニズムを導入し,ユーザの行動が短期的,局所的,あるいは長期的嗜好の真の変化を示すかどうかをモデルに示す。
  論文  参考訳（メタデータ） (2025-06-16T09:56:10Z)
• Improving Continual Pre-training Through Seamless Data Packing [34.13195340154738]
  本稿では,文脈情報をより効果的に保存し,モデル性能を向上させることを目的とした新しいデータパッキング戦略を提案する。 提案手法では,第1段階において連続列間の重なり合うトークンを同期するスライディングウインドウ手法を用いる。 第2段階では、短いテキストをターゲットのシーケンス長よりもわずかに大きいビンに詰め込むために、第1のFit-Decreasingアルゴリズムを採用し、パディングとトランケーションを最小化する。
  論文  参考訳（メタデータ） (2025-05-28T06:30:37Z)
• 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)
• Adaptive Cross Batch Normalization for Metric Learning [75.91093210956116]
  メトリクス学習はコンピュータビジョンの基本的な問題である。 蓄積した埋め込みが最新であることを保証することは、同様に重要であることを示す。 特に、蓄積した埋め込みと現在のトレーニングイテレーションにおける特徴埋め込みとの間の表現的ドリフトを回避する必要がある。
  論文  参考訳（メタデータ） (2023-03-30T03:22:52Z)
• 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)
• Neural Pruning via Growing Regularization [82.9322109208353]
  プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。 具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。 提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
  論文  参考訳（メタデータ） (2020-12-16T20:16:28Z)
• Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
  本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。 UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-30T15:38:44Z)

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。