論文の概要: Behavioral Fingerprinting and Navigation Prediction in Web Browsing

• arxiv url: http://arxiv.org/abs/2609.18273v1
• Date: Wed, 16 Sep 2026 07:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.70118
• Title: Behavioral Fingerprinting and Navigation Prediction in Web Browsing
• Title（参考訳）: ウェブブラウジングにおける行動フィンガープリントとナビゲーション予測
• Abstract要約: 本研究では,セッションレベルのユーザ識別と次ドメイン予測という2つの相補的行動推論タスクについて検討する。 ユーザ識別では,セッションレベルの動作とドメインの特徴に基づいて,古典的およびニューラルモデルの評価を行う。 次ドメイン予測では、グラフベースのモデリングとLarge Language Models(LLM)を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.5913114359969863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Web browsing often appears ephemeral: users visit a few websites, complete a task, and move on. However, even short fragments of browsing activity can contain rich and structured behavioral signals. In this work, we conduct a comparative empirical study of two complementary behavioral inference tasks: session-level user identification and next-domain prediction. Both tasks are derived from the same cleaned event stream and evaluated on large-scale anonymous browsing traces, with sessionization and splitting adapted to the temporal requirements of each task. For user identification, we evaluate classical and neural models operating on session-level behavioral and domain features. For next-domain prediction, we combine graph-based modeling with Large Language Models (LLMs). Experimental results show that short browsing sessions are highly identifiable, while future navigation actions are highly predictable from long-term interaction structure combined with recent behavioral context. Furthermore, LLM-derived semantic features yield only marginal gains over purely structural and sequential models, indicating that repeated interaction patterns remain the dominant predictive signal in the evaluated web-browsing setup. These findings highlight the extent to which interaction history substantially contributes to both user identifiability and navigation predictability in browsing traces.
• Abstract（参考訳）: ユーザはいくつかのWebサイトを訪れ、タスクを完了し、さらに進む。 しかし、ブラウジングアクティビティの短い断片でさえ、リッチで構造化された行動信号を含むことができる。 本研究では,セッションレベルのユーザ識別と次ドメイン予測という2つの相補的行動推論タスクの比較実験を行った。 どちらのタスクも、同じクリーンなイベントストリームから派生し、大規模な匿名ブラウジングトレースで評価され、各タスクの時間的要求に応じてセッション化と分割が行われる。 ユーザ識別のために,セッションレベルの動作とドメインの特徴に基づく古典的モデルとニューラルモデルを評価する。 次ドメイン予測では、グラフベースのモデリングとLarge Language Models(LLM)を組み合わせる。 実験の結果,短期ブラウジングセッションは高度に識別可能であり,今後のナビゲーション行動は,最近の行動コンテキストと組み合わせた長期的相互作用構造から高い予測が可能であることが示唆された。 さらに、LLMに基づく意味的特徴は、純粋に構造的およびシーケンシャルなモデルよりも限界的な利得しか得られず、繰り返し相互作用パターンが評価されたWebブラウジング設定において支配的な予測信号のままであることを示す。 これらの知見は、インタラクション履歴がブラウジングトレースにおけるユーザ識別可能性とナビゲーション予測可能性の両方に大きく寄与することを示す。

関連論文リスト

• Statistical Feature Augmentation for Anomaly Detection in Dynamic Graphs [0.6967006044904097]
  最先端のディープラーニングモデルは、特に短期的な行動相互作用の信号を学ぶのに苦労することが多い。 本稿では,行動相互作用統計を入力特徴空間に明示的にエンコードする統計的特徴拡張法を提案する。 実世界の3つのデータセットを対象とした異常検出タスクについて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-09-02T07:20:54Z)
• Deep Situation-Aware Interaction Network for Click-Through Rate Prediction [16.73815639009699]
  ユーザ行動シーケンスモデリングは,eコマースプラットフォーム上でのクリックスルーレート(CTR)予測において重要な役割を果たす。 本稿では,対話行動の識別のための状況と状況の特徴の概念を提案し,その上でDeep situation-Aware Interaction Network (DSAIN) というCTRモデルを設計する。 DSAINはMeituanのフードデリバリープラットフォームにデプロイされ、Meituanのテイクアウトアプリの主なトラフィックを提供している。
  論文  参考訳（メタデータ） (2026-04-14T05:14:05Z)
• Bridging Sequential and Contextual Features with a Dual-View of Fine-grained Core-Behaviors and Global Interest-Distribution [19.644227875720343]
  逐次的特徴相互作用と文脈的特徴相互作用のギャップを埋めるために,コアビヘイビアと分布補償デュアルビューインタラクションネットワーク(CDNet)を提案する。 CDNetは、全体的なユーザ関心を保たずに重要な行動の詳細を同時にキャプチャすることで、シーケンシャルな特徴とコンテキスト的な特徴の相互作用を効果的にモデル化する。
  論文  参考訳（メタデータ） (2026-03-13T02:24:45Z)
• Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling [58.72480539725212]
  本稿では,シーンとアイテム間の動的興味や相互作用を捉えるために,新しいDSPネットワークを提案する。 DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。
  論文  参考訳（メタデータ） (2025-09-30T12:26:57Z)
• 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)
• TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations [5.602191038593571]
  テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。 TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-20T03:13:10Z)
• 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)
• Dynamic Representation Learning with Temporal Point Processes for Higher-Order Interaction Forecasting [8.680676599607123]
  本稿では,これらの問題に対処するためのハイパーエッジ予測のための時間点プロセスモデルを提案する。 私たちの知る限りでは、動的ネットワークのハイパーエッジを予測するために時間点プロセスを使った最初の研究である。
  論文  参考訳（メタデータ） (2021-12-19T14:24:37Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。