論文の概要: MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment

• arxiv url: http://arxiv.org/abs/2609.12842v1
• Date: Fri, 11 Sep 2026 13:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.762638
• Title: MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment
• Title（参考訳）: MIMA:多能的排他的割り当てによる多目的勧告
• Abstract要約: マルチアクティブな排他的割り当てに基づくマルチゲストレコメンデーションフレームワークMIMAを提案する。 MIMAは、同じ要求内で同時に発生するアイテムを正の集合にグループ化し、因果変換器デコーダと相補的な関心を生み出す。 軽量ルーティングモジュールは、関心チャネル間でスコアを校正するユーザ-関心アクティベーション確率を推定する。
• 参考スコア（独自算出の注目度）: 11.84823985696493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-interest recommendation represents each user with multiple interest vectors for fine-grained candidate matching, yet it often suffers from interest collapse, where the learned interests converge to similar representations. We highlight the prevailing single-positive paradigm as one important factor behind this issue. Since each instance provides only one positive item, intents are optimized independently, potentially causing the same best-matching interest to be repeatedly updated toward different positives while leaving the others under-supervised. Moreover, existing methods rarely model how strongly a user activates each interest, leaving scores from different interest channels incomparable at inference. To address these problems, we propose MIMA, a Multi-Interest recommendation framework built on Multi-positive exclusive Assignment. MIMA groups items co-occurring within the same request into a positive set, generates complementary interests with a causal Transformer decoder, and exclusively assigns each positive to supervise a distinct interest via Hungarian matching, so that interest differentiation emerges from the training objective itself rather than auxiliary regularization. A lightweight routing module further estimates user-interest activation probabilities to calibrate scores across interest channels. Experiments on three public datasets and an industrial dataset show that MIMA consistently outperforms state-of-the-art baselines, and an online A/B test yields significant business gains.
• Abstract（参考訳）: 多目的推薦は,複数の興味ベクトルを持つユーザに対して,詳細な候補マッチングを行うが,学習対象が類似表現に収束する利害崩壊に悩まされることがしばしばある。 この問題の背景にある重要な要因として、一般的なシングル陽性パラダイムを強調します。 各インスタンスは1つのポジティブ項目しか提供しないため、インテントは独立して最適化されるため、同じベストマッチの興味を異なるポジティブに対して繰り返し更新し、他を監督していないままにする可能性がある。 さらに、既存の手法では、ユーザがそれぞれの興味をいかに強く活性化するかをモデル化することは滅多になく、異なる関心チャネルからのスコアは推論で比較できない。 これらの問題に対処するため,マルチアクティブな排他的アサインメントに基づくマルチゲストレコメンデーションフレームワークMIMAを提案する。 MIMA 群は、同じ要求内で共起する項目を正の集合に分類し、因果変換器デコーダと相補的な利害関係を生成し、それぞれにハンガリーのマッチングを通して特定の利害関係を監督するように排他的に割り当てる。 軽量ルーティングモジュールは、興味のあるチャンネル間でスコアを校正するユーザ-関心アクティベーション確率を更に推定する。 3つの公開データセットと産業データセットの実験によると、MIMAは一貫して最先端のベースラインを上回り、オンラインA/Bテストは大きなビジネス利益をもたらす。

関連論文リスト

• MatchTIR: Fine-Grained Supervision for Tool-Integrated Reasoning via Bipartite Matching [60.886768806064936]
  Tool-Integrated Reasoningは、外部ツールのインタラクションと推論ステップをインターリーブすることで、大規模な言語モデルで複雑なタスクに対処することを可能にする。 既存の強化学習法は、結果や軌道レベルの報酬に依存し、軌道内のすべてのステップに一様の利点を割り当てる。 両部間マッチングに基づくターンレベルの報酬割当と二重レベルの優位性推定によるきめ細かい監視を実現するフレームワークであるMatchTIRを提案する。
  論文  参考訳（メタデータ） (2026-01-15T18:59:23Z)
• GemiRec: Interest Quantization and Generation for Multi-Interest Recommendation [13.83456025835836]
  本稿では,多目的レコメンデーションのためのフレームワークレベルの改良であるGemiRecを提案する。 a)興味辞書保守モジュール(IDMM)は、共有量子化関心辞書を維持し、(b)多関心後配電モジュール(MIPDM)は、ユーザ将来の関心の分布をキャプチャするために生成モデルを使用し、(c)多関心検索モジュール(MIRM)は、複数のユーザ関心表現を使用してアイテムを検索する。
  論文  参考訳（メタデータ） (2025-10-16T12:37:15Z)
• Multimodal Fusion And Sparse Attention-based Alignment Model for Long Sequential Recommendation [9.086257183699418]
  マルチモーダルアイテムシーケンスとマイニング マルチモーダルユーザ興味は、コンテンツ理解とレコメンデーションのギャップを埋めることができます。 本稿では,ムルティモダル核融合とスパースアテンションに基づくアライメントモデルであるMUFASAを提案する。 実世界のベンチマーク実験では、MUFASAが最先端のベースラインを一貫して超越していることが示されている。
  論文  参考訳（メタデータ） (2025-08-13T09:50:44Z)
• Semantic Gaussian Mixture Variational Autoencoder for Sequential Recommendation [49.492451800322144]
  本稿では,VAEに基づくシークエンシャルレコメンデーションモデルであるSIGMAを提案する。 SIGMAは多利活用のための確率的多利抽出モジュールを含む。 公開データセットの実験では、SIGMAの有効性が示されている。
  論文  参考訳（メタデータ） (2025-02-22T08:29:52Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Deep Stable Multi-Interest Learning for Out-of-distribution Sequential Recommendation [21.35873758251157]
  そこで本研究では,Deep Stable Multi-Interest Learning (DESMIL) と呼ばれる新しい多目的ネットワークを提案する。 DESMILは、トレーニングサンプルを重み付けしたHilbert-Schmidt Independence Criterion (HSIC)に基づく重み付き相関推定損失を取り入れ、抽出された関心事間の相関を最小化する。
  論文  参考訳（メタデータ） (2023-04-12T05:13:54Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation [5.416421678129053]
  本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。 Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-12-16T09:12:33Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)

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。