論文の概要: MARS: Multi-resolution Adaptive Routing for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2610.07505v1
• Date: Mon, 05 Oct 2026 23:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.703423
• Title: MARS: Multi-resolution Adaptive Routing for Sequential Recommendation
• Title（参考訳）: MARS:シークエンシャルレコメンデーションのためのマルチレゾリューション適応ルーティング
• Abstract要約: ロングヒストリーレコメンデータは、各ユーザの履歴をコンパクトで非依存のメモリに圧縮し、キャッシュして再利用して大きな候補プールを採点する。 実際のユーザ履歴は、短命な意図、中期的関心、長期的嗜好が1つのシーケンスで共存するマルチスケールなセマンティック構造を示す。 提案するマルチレゾリューション型ユーザメモリであるtextbfMARS は,全履歴を異なる半減期に固定したリカレントステートトラックに書き込むとともに,コンパクトなシードメモリを実現するスパースルーティングリーダを提案する。
• 参考スコア（独自算出の注目度）: 15.421204087257552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-history recommenders often compress each user's history into a compact, candidate-independent memory that is cached and reused to score large candidate pools. We show that real user histories exhibit multi-scale semantic structure, with short-lived intent, medium-term interests, and long-term preferences coexisting in one sequence, and that monolithic cached memories preserve these scales unevenly: linear probes recover recent and mid-range content far worse than long-range content. We call this failure mode \textit{temporal aliasing}. We propose \textbf{MARS}, a multi-resolution user memory that writes the full history into recurrent state tracks anchored to different half-lives, and a sparse routing reader that materializes compact seed memories by selecting the relevant temporal resolutions for each seed, preserving fixed-size candidate scoring. MARS outperforms strong baselines on three public datasets, with gains that grow with history length. Component-matched ablations with paired tests show that temporal diversity and selective routing each contribute beyond what hard-window memories or added capacity provide. The advantage of MARS over its interface-matched baseline also widens after within-user behavioral shifts, at about $1.02\times$ that baseline's warm-cache serving latency for $1{,}000$ candidates per user.
• Abstract（参考訳）: ロングヒストリーレコメンデータは、各ユーザの履歴をコンパクトで非依存のメモリに圧縮し、キャッシュして再利用して大きな候補プールを採点する。 実ユーザ履歴は,短期的意図,中長期的関心,長期的嗜好が1つのシーケンスで共存するマルチスケールのセマンティック構造を示し,モノリシックキャッシュされた記憶は,これらのスケールを不均一に保存することを示した。 私たちはこの障害モードを「textit{temporal aliasing}」と呼びます。 本稿では,各シードの時間分解能を選択して,固定サイズの候補スコアを保存して,コンパクトなシードメモリを実現するスパースルーティングリーダを提案する。 MARSは3つの公開データセットで強力なベースラインを上回り、歴史の長さとともに成長する。 コンポーネントマッチングによるペアテストによる改善は、時間的多様性と選択的なルーティングが、ハードウインドウメモリや追加キャパシティが提供するものを超えて寄与していることを示している。 インターフェースにマッチしたベースラインに対するMARSのアドバンテージは、ユーザ内の行動シフトによって、ユーザ毎の1,000ドルの候補に対して、そのベースラインのウォームキャッシュサービスレイテンシが1.02\times$で拡大する。

関連論文リスト

• ReMem: Rethinking Perception and Memory in Long-Context Recommendation Agents [56.60244663358724]
  最近の勧告エージェント(RecAgents)は、推奨をアクティブなユーザサイドパラダイムにシフトすることで、有望な代替手段を提供する。 本稿では,OCRに基づくマルチモーダル認識と時間進化動的メモリを組み合わせたリコメンデーションエージェントフレームワークReMemを提案する。 実験では、ReMemは最先端のベースラインを一貫して上回り、3つの推奨エージェントタスクで平均5.16%の改善を達成した。
  論文  参考訳（メタデータ） (2026-09-29T11:46:23Z)
• MuSeR: Scalable Long-sequence Recommendation with Multi-interest Modeling [18.87619121540462]
  Multi-interest Sequence Representation (MuSeR)は、MGSシステム上に構築された検索フレームワークである。 MuSeRは、強いロングシーケンスとマルチ関心ベースラインに対して、一貫してRecall@$K$を改善している。 Baidu APPのホームページフィード、ディスカバリフィード、ショートビデオシナリオに対するオンラインのA/Bテストでは、MuSeRは毎日のアクティブユーザを0.26%、セッション総期間を0.89%も得ている。
  論文  参考訳（メタデータ） (2026-09-20T14:36:07Z)
• MARCH: Scaling Recurrent Memory with Content-Routed State Anchors [41.39470291507015]
  トランスフォーマーはその強い長文検索能力の多くを、コンテキスト長で成長するトークンレベルのメモリに負っている。 リカレントな代替手段は、履歴全体を固定サイズの状態に圧縮することで効率的な復号化を提供する。 メモリ・アンカー・ルーティング(Memory-Anchor Routing across Context History, MARCH)は、状態空間モデルを固定次元を超えて効果的にスケールするネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2026-08-12T13:45:01Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。