論文の概要: EviRec: Continual Evidence Learning for Dual Cold-Start POI Recommendation
- arxiv url: http://arxiv.org/abs/2609.20313v1
- Date: Fri, 31 Jul 2026 11:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.672899
- Title: EviRec: Continual Evidence Learning for Dual Cold-Start POI Recommendation
- Title（参考訳）: EviRec:Dual Cold-Start POI Recommendationのための継続的なエビデンス学習
- Abstract要約: 我々はPOIレコメンデーションのための継続的エビデンス学習フレームワークであるEviRecを提案する。
EviRecは3つの相補的なビューから各可視的候補をスコアする。
EviRecを1年間の5都市POIチェックインデータセットで評価する。
- 参考スコア（独自算出の注目度）: 3.5403649815276808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point-of-Interest (POI) recommendation is a core task in location-based services, yet most existing methods assume a fixed user population and POI catalog. Through a large-scale data-driven analysis of 10 U.S. cities, we identify substantial POI churn, user turnover, category drift, and decay in static POI memory, motivating the study of continual dual cold-start POI recommendation. To address this setting, we propose EviRec, a continual evidence-learning framework that estimates how much historical evidence should be trusted separately for each candidate POI. EviRec scores each visible candidate from three complementary views: a matching view based on the user's recent mobility profile, a transition-memory view that captures repeated mobility routines, and a lifecycle view that reflects candidate maturity. Because a near-zero transition score may indicate either irrelevance or insufficient observation, EviRec qualifies the evidence using each candidate's observation state and applies a reliability gate to adaptively route between transition-memory and lifecycle evidence. We evaluate EviRec on a full-year, five-city POI check-in dataset containing more than 30,000 users and 684,200 trajectories. Experimental results show that EviRec consistently outperforms state-of-the-art baselines, with the largest gains concentrated on cold-start queries. In particular, EviRec improves NDCG@10 by 20.4\% on Dual-New cases over the strongest baseline. In-depth analyses further confirm that these gains arise primarily from candidate-specific reliability gating while largely preserving previously learned mobility routines.
- Abstract（参考訳）: Point-of-Interest(POI)レコメンデーションは位置情報ベースのサービスの中核的なタスクである。
米国10都市の大規模データ駆動分析により、静的POIメモリにおける実質的なPOIチャーン、ユーザターンオーバー、カテゴリドリフト、崩壊を同定し、連続的なデュアルコールトスタートPOIレコメンデーションの研究を動機づける。
この設定に対処するために、各候補POIに対して、どの程度の歴史的証拠を個別に信頼すべきかを推定する連続的エビデンス学習フレームワークであるEviRecを提案する。
EviRecは、ユーザの最近のモビリティプロファイルに基づいたマッチングビュー、繰り返しモビリティルーチンをキャプチャするトランジションメモリビュー、候補の成熟度を反映したライフサイクルビューの3つの相補的なビューから、各可視候補をスコア付けする。
ほぼゼロに近い遷移スコアは、無関係または不十分な観察を示す可能性があるため、EviRecは、各候補の観察状態を使用して証拠を認定し、遷移記憶とライフサイクルのエビデンスを適応的にルーティングするために信頼性ゲートを適用する。
我々はEviRecを,3万人以上のユーザと684,200件のトラジェクトリを含む全年5都市POIチェックインデータセットで評価した。
実験の結果、EviRecは最先端のベースラインを一貫して上回り、最も高いゲインはコールドスタートクエリに集中していることがわかった。
特に、EviRecはNDCG@10を20.4 %改善し、Dual-Newのケースは最強のベースラインを超えた。
詳細な分析により、これらの利得は主として、以前に学習されたモビリティルーチンを主に保存しながら、候補固有の信頼性ゲーティングから生じることが確認される。
関連論文リスト
- Does This Moment Justify the Recommendation? Counterfactual Behavior-Grounded Evidence Retrieval for Personalized Video Recommendation [4.496057264602764]
本研究では,このような証拠が存在するかどうかからパーソナライズされた証拠が生じる場所を分離した反事実的行動接地証拠検索について検討する。
ビデオレベルのエビデンス推定からセグメントレベルのローカライゼーションを分離する,コンパクトなフレームワークCBGERを提案する。
論文 参考訳（メタデータ） (2026-09-01T09:46:27Z) - An Empirical Evaluation of Cross-City POI Recommendation on a Large-Scale Benchmark [55.73054722370559]
都市横断点(POI)勧告は、慣れない都市環境をナビゲートするために重要である。
小さいベンチマークで得られた結論が、まだ世界規模でカバーされているか、住宅先が低いか、大きな意味的にリッチなPOI在庫が重複しているかを再検討する。
論文 参考訳（メタデータ） (2026-08-28T02:16:33Z) - Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies [56.86456077356948]
凍結言語アクション(VLA)ポリシーは、テスト時に徐々に改善されている。
追加のサンプリングは、ポリシーのロールアウト内により優れた振る舞いが存在する場合にのみ有効である。
検索は、関連するアクションがポリシーによって確実に表現されない場合に最も有用である。
論文 参考訳（メタデータ） (2026-08-18T08:11:31Z) - ClawRec: A Claw-Native Recommender System [70.37279331430653]
我々はClaw-nativeレコメンデータシステムを導入し、プラットフォームローカルのランキングを超えて、多様なソースやコンテンツ形式にまたがる統一的で補完的なレコメンデーションスレートを生成する。
ClawRecは、クロスプラットフォームの振る舞いとクロスソースレコメンデーションを接続するエビデンスリンクされた、時間的に構造化されたユーザ状態を維持している。
ClawRec は NDCG@20 の 0.6134 (+0.1126) と Hit@20 の 0.6944 (+0.0854) を達成している。
論文 参考訳（メタデータ） (2026-07-26T17:56:49Z) - RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。
そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。
本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
論文 参考訳（メタデータ） (2026-07-17T08:10:37Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation [18.263381277536357]
Next Point-of-Interest (POI)レコメンデーションは、ユーザの将来のモビリティパターンを予測することによって、位置情報ベースのサービスにおいて重要な役割を果たす。
既存の手法は通常、歴史的軌跡から単一のユーザ表現を計算し、すべての候補POIを均一にスコアする。
本稿では,次のPOI推薦のための候補条件付きモデルであるCaST-POIを提案する。
論文 参考訳（メタデータ） (2026-02-10T07:10:18Z) - CroPS: Improving Dense Retrieval with Cross-Perspective Positive Samples in Short-Video Search [10.310885252492925]
CroPS (Cross-Perspective Positive Samples) は、新しい検索データエンジンである。
ユーザクエリの修正行動から得られる肯定的な信号によるトレーニングを強化する。
CroPSは現在Kuaishou Searchに完全にデプロイされており、毎日数億人のユーザーにサービスを提供している。
論文 参考訳（メタデータ） (2025-11-19T13:57:40Z) - Bayes-enhanced Multi-view Attention Networks for Robust POI
Recommendation [81.4999547454189]
既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。
実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。
本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T12:47:38Z)
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。