論文の概要: Enriching Sequential Recommendation with Graph Laplacian Positional Embeddings

• arxiv url: http://arxiv.org/abs/2609.31253v1
• Date: Fri, 25 Sep 2026 13:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.408518
• Title: Enriching Sequential Recommendation with Graph Laplacian Positional Embeddings
• Title（参考訳）: Graph Laplacian Positional Embeddings を用いたシーケンスレコメンデーションの充実
• Abstract要約: 本稿では,ラプラシアンの位置埋め込みをシーケンシャルレコメンデータに使用することを提案する。 この単純な置換により、ほとんどのランキング指標においてSASRecの性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommenders typically rely on learnable positional embeddings to encode the order of user interactions. In this work, we ask whether this ordinal signal can be replaced by a structural one derived from the item space. We propose to use Laplacian positional embeddings in SASRec: we build an item co-occurrence graph from training interactions, compute eigenvectors of its symmetric normalized Laplacian, and use them as frozen graph-derived positional embeddings. The backbone architecture and training objective remain unchanged. Experiments on four public sequential-recommendation benchmarks show that this simple replacement improves SASRec performance on most ranking metrics and remains competitive with strong positional and temporal encoding baselines. These findings indicate that item-item graph structure can be an effective substitute for standard ordinal positional embeddings in sequential recommendation.
• Abstract（参考訳）: シークエンシャルなレコメンダは通常、ユーザのインタラクションの順序をエンコードするために学習可能な位置埋め込みに依存します。 本研究では、この順序信号が、アイテム空間から導出される構造信号に置き換えられるかどうかを問う。 我々は,SASRecにおけるラプラシアン位置埋め込み (Laplacian positional embeddings) について提案する: トレーニング相互作用からアイテム共起グラフを構築し,その対称正規化ラプラシアン固有ベクトルを計算し,凍結グラフ由来の位置埋め込みとして利用する。 バックボーンアーキテクチャとトレーニングの目的は変わっていない。 4つの公開シーケンシャル・レコメンデーション・ベンチマークの実験では、この単純な置換により、ほとんどのランキング指標においてSASRecのパフォーマンスが向上し、強力な位置および時間的エンコーディングベースラインと競合し続けることが示されている。 これらの結果から, 項目-項目グラフ構造は, 逐次レコメンデーションにおける標準順序位置埋め込みの代替となる可能性が示唆された。

関連論文リスト

• PriorPose: Reference-Guided Joint Deformation and Alignment for Category-Level Object Pose Estimation [65.40341394642324]
  カテゴリレベルのオブジェクトのポーズ推定は、インスタンス固有のCADモデルなしで未確認のインスタンスに対して$(R,t,s)$の類似性変換を復元しようとする。 最も競争力のある方法は通信方式である。 カテゴリを明示的に保持する参照誘導対応フレームワークである PreferPose を提案する。
  論文  参考訳（メタデータ） (2026-09-15T06:57:34Z)
• DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval [47.419173509430834]
  Re rankは、要求固有の候補セットから高ユーティリティスレートを選択し、注文することを目的とした決定問題である。 本稿では,トランスポート誘導並列化フレームワークであるTransport-d Retrievalを用いた動的インデックスベースのRecommendationを提案する。 実験により、DIRECTORは強いリグレードベースラインを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-07-29T03:03:03Z)
• Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation [28.629759086187352]
  MIRAGEは、シーケンシャルなレコメンデーションで埋め込みを加速するフレームワークである。 学習された埋め込み幾何を、変化のない直線的な確率経路の周りで修正する。 MIRAGEは、4つの実世界のデータセットの実験において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-07-26T17:17:31Z)
• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• One Pass, Any Order: Position-Invariant Listwise Reranking for LLM-Based Recommendation [2.5827686695037335]
  大規模言語モデル(LLM)は、再ランク付けにますます使用されるが、それらのリストワイズ予測は、候補が提示される順序に依存する可能性がある。 これにより、セットベースのレコメンデーションとデコーダのみのLLMのシーケンスベースの計算のミスマッチが生成される。 InvariRankは、アーキテクチャレベルでこの依存に対処する置換不変なリストワイド・リグレード・フレームワークである。
  論文  参考訳（メタデータ） (2026-04-30T08:49:44Z)
• Replace Scoring with Arrangement: A Contextual Set-to-Arrangement Framework for Learning-to-Rank [40.81502990315285]
  ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。 既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。 本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
  論文  参考訳（メタデータ） (2023-08-05T12:22:26Z)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Temporally-Consistent Surface Reconstruction using Metrically-Consistent Atlases [131.50372468579067]
  そこで本稿では,時間変化点雲列から時間一貫性のある面列を復元する手法を提案する。 我々は、再構成された表面をニューラルネットワークによって計算されたアトラスとして表現し、フレーム間の対応性を確立することができる。 当社のアプローチは、いくつかの挑戦的なデータセットにおいて、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T17:48:25Z)

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。