論文の概要: Dual-Interest Sequential Product Recommendation With Multi-Granular SSM
- arxiv url: http://arxiv.org/abs/2609.21548v1
- Date: Fri, 18 Sep 2026 09:40:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.958729
- Title: Dual-Interest Sequential Product Recommendation With Multi-Granular SSM
- Title（参考訳）: マルチグラニュラーSSMを用いたデュアルインテンシブ製品レコメンデーション
- Abstract要約: シークエンシャルレコメンデーションは、ユーザが過去の行動に基づいて、次に対話するアイテムを予測することを目的としている。
既存のほとんどのメソッドは、アイテムのポリセミー現象を見越して、各アイテムを単一の静的なコンテキストロールでエンコードする。
DSRecは、アイテムロールを長期的および短期的セマンティックコンテキストで明確に切り離す、新しい双方向関心クロスSSMモデルである。
- 参考スコア（独自算出の注目度）: 4.649779668774962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sequential recommendation aims to predict the next item a user will interact with based on their historical behavior. Advances in Transformers have significantly improved sequential recommendation but are still limited by cost efficiency. Although State Space Models (SSMs) have recently enabled efficient long-range modeling, most existing methods encode each item with a single static contextual role, overlooking the phenomenon of item polysemy. In fact, the same item often plays different semantic roles depending on user context, and existing methods are limited in capturing dynamic behavior across different temporal granularities. In this work, we propose DSRec, a novel dual-interest cross-SSM model that explicitly disentangles item roles across long-term and short-term semantic context. Sequential items are encoded into long-term interest embeddings that capture stable preferences via historical aggregation, and a short-term interest branch that emphasizes local session intent modulated by inter-click time intervals. These interest embeddings are processed through distinct SSM encoders: a full-sequence Mamba for long-term modeling, and a time-modulated SSM that dynamically adjusts state evolution based on temporal gaps. To enable effective cross-granularity alignment, we adopt a residual cross-fusion mechanism that exchanges contextual information between the two branches while preserving semantic independence. Experiments on public benchmarks demonstrate that DSRec outperforms other state-of-the-art methods.
- Abstract（参考訳）: シークエンシャルレコメンデーションは、ユーザが過去の行動に基づいて、次に対話するアイテムを予測することを目的としている。
トランスフォーマーの進歩はシーケンシャルレコメンデーションを大幅に改善したが、それでもコスト効率によって制限されている。
State Space Models (SSM) は、最近、効率的な長距離モデリングを実現しているが、既存のほとんどのメソッドは、アイテムのポリセミー現象を見越して、各アイテムを単一の静的なコンテキストロールでエンコードしている。
実際、同じ項目がユーザコンテキストによって異なるセマンティックな役割を演じることが多く、既存のメソッドは時間的粒度の異なる動的な振る舞いを捉えるのに限られています。
本研究では、アイテムロールを長期的・短期的な意味的文脈で明確にアンタングルする、新しい二重関心横断SSMモデルであるDSRecを提案する。
時系列項目は、履歴アグリゲーションを介して安定した嗜好をキャプチャする長期的関心埋め込みと、クリック間時間間隔で変調された局所的なセッション意図を強調する短期的関心分枝にエンコードされる。
これらの関心の埋め込みは、長期モデリングのためのフルシーケンスのMambaと、時間的ギャップに基づいて動的に状態の進化を調整する時間変調のSSMエンコーダによって処理される。
有効粒界アライメントを実現するため,セマンティックな独立性を維持しながら2つのブランチ間でコンテキスト情報を交換する残差クロスフュージョン機構を採用した。
公開ベンチマークの実験では、DSRecは他の最先端の手法よりも優れていることが示されている。
関連論文リスト
- S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation [11.19507489603123]
本稿では,ユーザ意図を連続的な潜時エネルギー状態としてモデル化するシーケンシャルレコメンデーションのためのセグメンデーション管理フレームワークであるS2-CARを提案する。
具体的には、コンテキスト対応のソフトテンポラルポイントプロセス(Soft-TPP)を使用して、固定間隔ではなく潜在状態エネルギーの自然崩壊によって引き起こされる境界を分割する。
さらなる分析により、提案されたエネルギーベースのセグメンテーションがプラグイン・アンド・プレイモジュールとして機能し、既存のシーケンシャルレコメンデーションバックボーンに統合された場合、一貫した改善をもたらすことが示された。
論文 参考訳（メタデータ） (2026-06-24T05:24:18Z) - Bridging Behavior and Semantics for Time-aware Cross-Domain Sequential Recommendation [25.652940675285098]
BST-CDSR(Time-Aware Cross-Domain Semantics Recommendation)のための行動と意味を橋渡しするフレームワークを提案する。
具体的には、長期的関心と短期的意図を分離した行動選好進化モジュールを設計する。
また,時間的間隔トークンを識別する時間的反事実強化セマンティックジェネレータも導入する。
論文 参考訳（メタデータ） (2026-05-04T09:14:19Z) - Mixture of Sequence: Theme-Aware Mixture-of-Experts for Long-Sequence Recommendation [48.98369214412951]
ノイズの多い生ユーザシーケンスからテーマ特化サブシーケンスとマルチスケールサブシーケンスを抽出し,正確な予測を実現するモデルに依存しないMoE手法を提案する。
実験結果から, FLOPは少ないが, MoS はSOTA の性能を一貫して達成できることがわかった。
論文 参考訳（メタデータ） (2026-03-01T23:20:48Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。
STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-05-06T12:40:38Z) - SS4Rec: Continuous-Time Sequential Recommendation with State Space Models [2.736436208785024]
本稿では,連続的なレコメンデーションのためにSS4Recと呼ばれるハイブリッドSSMモデルを提案する。
SS4Recは、不規則な時間間隔を扱うための時間認識SSMと、コンテキスト依存をモデル化するための関係認識SSMを統合している。
これにより、不規則な時間間隔から継続的依存関係をキャプチャし、時間固有のパーソナライズされたレコメンデーションを提供する。
論文 参考訳（メタデータ） (2025-02-12T05:28:08Z) - Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。
我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。
ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
論文 参考訳（メタデータ） (2024-10-31T14:52:01Z) - EchoMamba4Rec: Harmonizing Bidirectional State Space Models with Spectral Filtering for Advanced Sequential Recommendation [0.0]
制御理論は、長期依存の管理に状態空間モデル(SSM)を使うことを強調している。
本研究では,EchoMamba4Recを紹介した。
EchoMambaは既存のモデルよりも優れており、より正確でパーソナライズされたレコメンデーションを提供する。
論文 参考訳（メタデータ） (2024-06-04T09:07:58Z) - Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。
各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。
頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
論文 参考訳（メタデータ） (2023-03-14T02:58:27Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳（メタデータ） (2021-10-26T17:35:21Z)
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。