論文の概要: RouteRec: Behavior-Guided Sparse Routing for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2609.39007v1
- Date: Wed, 30 Sep 2026 05:18:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.22763
- Title: RouteRec: Behavior-Guided Sparse Routing for Sequential Recommendation
- Title（参考訳）: RouteRec:シークエンシャルレコメンデーションのための行動ガイド付きスパースルーティング
- Abstract要約: 本稿では,ルーティング基準として観測されたセッション動作を利用するシーケンシャルなレコメンデータであるRouteRecを提案する。
RouteRecは12位、第2位は3位で、全体の平均ランクは1.61である。
さらなる分析は、行動的手がかりが専門家の割り当てを付加能力を超えて導くことを示唆している。
- 参考スコア（独自算出の注目度）: 9.885512038617902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sessionized interaction histories contain behavioral patterns that can improve sequential recommendation. However, existing models process all sessions through the same parameterized blocks, regardless of their behavioral differences. Mixture of Experts (MoE) enables conditional computation, but it leaves open what should guide expert allocation. We propose RouteRec, a sequential recommender that uses observed session behavior as the routing criterion. RouteRec summarizes four types of behavioral evidence from sessionized histories: interaction tempo, item-group focus, repetition and carryover, and popularity tendency. It uses these cues to route computation at macro, mid, and micro scopes. Cue-derived scores first select expert groups; within each selected group, the current backbone state then refines expert selection. Across six public datasets and 18 dataset-metric combinations, RouteRec ranks first in 12 and second in three, yielding the best overall average rank of 1.61 compared with 4.11 for the next-best baseline. Additional analyses suggest that the behavioral cues guide expert allocation beyond added capacity and produce routing patterns aligned with observed behavior. Our code is available at https://github.com/jy1559/RouteRec
- Abstract（参考訳）: セッション化されたインタラクション履歴には、シーケンシャルなレコメンデーションを改善するための行動パターンが含まれている。
しかし、既存のモデルはすべてのセッションを同じパラメータ化ブロックを通して処理する。
Mixture of Experts (MoE) は条件付き計算を可能にするが、専門家の割り当てをガイドするものは公開されていない。
本稿では,ルーティング基準として観測されたセッション動作を利用するシーケンシャルなレコメンデータであるRouteRecを提案する。
RouteRecはセッション化された歴史から、インタラクションのテンポ、アイテムグループフォーカス、反復と継続、人気傾向の4つのタイプの行動証拠を要約している。
マクロ、ミドル、マイクロスコープでの計算をルーティングするためにこれらのキューを使用する。
キュー由来のスコアはまず専門家グループを選択し、選択されたグループごとに現在のバックボーン状態が専門家の選択を洗練させる。
6つの公開データセットと18のデータセットメトリックの組み合わせで、RouteRecは第1位が12位、第2位が3位となっている。
さらなる分析により、行動手がかりは、追加の能力を超える専門家の割り当てをガイドし、観察された行動に整合したルーティングパターンを生成することが示唆された。
私たちのコードはhttps://github.com/jy1559/RouteRecで利用可能です。
関連論文リスト
- NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Evidence for Shared Routing Geometry and Dynamics in Sparse Mixture-of-Experts [0.0]
層間のルーティング関連状態は、層固有の座標系によって隠蔽される共通の幾何学的構造を共有していることを示す。
一致したランク比較では、残差表現は層間で予測しやすく、一方、ルータ制御状態はモデルのエキスパート選択をより忠実に保存する。
論文 参考訳（メタデータ） (2026-09-02T10:17:12Z) - Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。
我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。
オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
論文 参考訳（メタデータ） (2026-08-23T03:07:03Z) - RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation [52.23179023639867]
逐次リコメンデータシステムは、ユーザインタラクションをエンコードし、次の項目を予測するために、1つのフォワードパスに依存している。
シーケンシャルなレコメンデーションのための推論プロセスをどのように構成するかは、未解決の問題である。
既存のアプローチでは、推論と予測を単一の$d$次元の状態に分割し、推論の深さを制限する。
本稿ではRLフリーフレームワークRecRec(Recursive Reasoning for Recommendation)を提案する。
論文 参考訳（メタデータ） (2026-07-14T16:28:28Z) - Query-aware Routing for Filtered Approximate Nearest Neighbors Search [2.121524887011041]
フィルタされたANN探索は、現代のベクトルデータベースと検索拡張生成におけるコアプリミティブである。
我々は3つの述語の下で複数のデータセットにまたがる主要な分類的ANN手法の全てをベンチマークする。
軽量MLモデルは、クエリ上で各候補メソッドのリコールを予測する。
我々のルータは,5つの検証データセットのすべてに対して,最先端のリコールとQPSバランスを実現していることを示す。
論文 参考訳（メタデータ） (2026-06-18T07:54:12Z) - Rubric-Guided Process Reward for Stepwise Model Routing [18.58577344135632]
ステップワイズモデルルーティングは、各推論ステップを適切なモデルに割り当てることで、Large Reasoning Models(LRM)の効率を改善する。
最近の方法では、順序決定プロセスとしてルーティングを定式化し、強化学習でルータを訓練する。
ステップワイズモデルルーティングのためのルーリック誘導プロセス報酬フレームワークであるRoRoを提案する。
論文 参考訳（メタデータ） (2026-05-28T03:42:24Z) - 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) - Arch-Router: Aligning LLM Routing with Human Preferences [1.859931123372708]
ルーティングは、異なるモデルの使用を運用する上で不可欠な技術になっている。
本稿では、クエリをユーザ定義ドメインにマッチさせることで、モデル選択をガイドする、嗜好整合型ルーティングフレームワークを提案する。
我々のアプローチは主観評価基準を捉え、ルーティング決定をより透明で柔軟にする。
論文 参考訳（メタデータ） (2025-06-19T23:57:41Z) - RouterRetriever: Routing over a Mixture of Expert Embedding Models [58.987116118425995]
本稿では、ルーティング機構を用いて、ドメイン固有の専門家の混在を利用した検索モデルであるReuterRetrieverを紹介する。
RouterRetrieverは、ドメイン固有の専門的な埋め込みモデルを混在させたルーティングの利点を示す最初の研究である。
論文 参考訳（メタデータ） (2024-09-04T13:16:55Z) - Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations [0.8437187555622164]
逐次リコメンデータシステムは、ユーザの履歴におけるインタラクションの順序を利用して、将来のインタラクションを予測することを目的としている。
シーケンシャルな構造を示すデータセットを使用して、シーケンシャルなレコメンデータを適切に評価することが重要です。
本研究では,ユーザの対話列のランダムシャッフルに基づくいくつかの手法を適用し,15個のデータセットの連続構造の強度を評価する。
論文 参考訳（メタデータ） (2024-08-21T21:40:07Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。