論文の概要: BehaveRec: When Does Long-Term Behavioral History Help Sequential Recommendation? A Study with Session, History, and Community Signals
- arxiv url: http://arxiv.org/abs/2610.36239v1
- Date: Mon, 26 Oct 2026 20:15:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.430219
- Title: BehaveRec: When Does Long-Term Behavioral History Help Sequential Recommendation? A Study with Session, History, and Community Signals
- Title（参考訳）: BehaveRec: 長期行動史はいつシーケンス勧告に役立つか? : セッション,歴史,コミュニティシグナルを用いた研究
- Abstract要約: 因果セッション変換器,90日間のウィンドウ上の双方向ユーザ履歴,ユーザグラフ上のGraphSAGEモジュールを組み合わせた3信号フレームワークであるBehaveRecを提案する。
126万人から137Mのデータセットで、BehaveRecはSASRecを+3.2%上回ってR@5を+3.2%改善し、SASRecのベースラインは+2.5%遅れている。
BehaveRecの利点は、およそ10のインタラクション以下で無視でき、履歴の豊かさと単調に成長し、101以上のイベントを持つユーザに対して+0.017 R@5に達する。
- 参考スコア（独自算出の注目度）: 6.269630768386005
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sequential recommendation models typically predict a user's next action from recent session interactions, which limits personalization when short-term signals are weak or ambiguous. Rather than assuming that incorporating longer-term history and community signals is universally beneficial, we study when it actually helps. We propose BehaveRec, a three-signal framework combining a causal session transformer, a bidirectional User History Encoder over a 90-day window, and a GraphSAGE module over a user-user graph built from behavioral embedding similarity rather than item co-occurrence; a learned gate blends the three signals per user. On an industrial dataset of 137M sequences from 12.6M users, BehaveRec improves R@5 by +3.2% over SASRec, with a larger-capacity SASRec baseline (more parameters than BehaveRec) still trailing by +2.5%, ruling out capacity as the explanation. More importantly, a user-level stratification by history length reveals a clear dose-response relationship: BehaveRec's advantage is negligible below roughly 10 interactions and grows monotonically with history richness, reaching +0.017 R@5 for users with 101+ events. This pattern is corroborated across one industrial and three public datasets spanning history-rich to history-sparse regimes, where session-only models remain preferable. These headline results, and the resulting deployment threshold, are established for category-level intent prediction; a preliminary, single-run check on the full item-level vocabulary yields a directionally mixed result and is scoped as an open question rather than a claim. We use these results to derive a practical deployment rule -- roughly 20 interactions per user -- for when long-term history and behavioral-graph signals are worth their added complexity. Despite this added complexity, BehaveRec remains lightweight: it uses 5.67M parameters and trains on a single GPU in under two days.
- Abstract（参考訳）: シーケンシャルレコメンデーションモデルは、通常、最近のセッションインタラクションからユーザの次のアクションを予測する。
長期的な歴史と地域社会のシグナルを取り入れることが、実際にいつ役に立つかを研究することは、普遍的に有益である、と仮定する。
本稿では,90日間のウィンドウ上の因果セッション変換器,双方向ユーザ履歴エンコーダ,アイテム共起ではなく,行動埋め込み類似性から構築されたユーザグラフ上のグラフSAGEモジュールを組み合わせた3信号フレームワークであるBehaveRecを提案する。
126万のユーザから137Mシーケンスの産業データセット上で、BehaveRecはSASRecを+3.2%上回るR@5の改善を行い、SASRecベースライン(BehaveRecよりも多くのパラメータ)は+2.5%以上であり、説明として容量を除外している。
BehaveRecの利点はおよそ10のインタラクション以下で無視でき、歴史の豊かさと単調に成長し、101以上のイベントを持つユーザに対して+0.017 R@5に達する。
このパターンは、ヒストリリッチからヒストリスパースレジームにまたがる1つの産業用データセットと3つの公共用データセットに共通しており、セッションのみのモデルが好まれる。
これらの見出し結果と結果の展開しきい値は、カテゴリーレベルの意図予測のために確立され、全項目レベルの語彙に対する予備的な単行チェックは、方向が混ざった結果となり、クレームよりもオープンな問題としてスコープされる。
これらの結果を使って、長期的な履歴と行動グラフ信号が付加的な複雑さに価値がある場合に、実際のデプロイメントルール -- ユーザ毎の約20のインタラクション -- を導出します。
BehaveRecは5.67Mパラメータを使用し、2日以内に1つのGPUでトレーニングを行う。
関連論文リスト
- ChronicleRec: Pre-training Temporally Anchored Tokens for Lifelong User Modeling [19.519280627157716]
既存の長寿命関心手法は、各候補に対する目標関連行動を検索する。
最近のターゲット非依存圧縮手法はキャッシュされたユーザ要約を可能にするが、しばしばシーケンス終端にクエリトークンを付加する。
クロニクルトークンの時系列順序の集合に超長い動作シーケンスを一度圧縮するプレトレイン・アンド・トランスファーフレームワークであるChronicleRecを提案する。
論文 参考訳（メタデータ） (2026-09-11T02:47:55Z) - 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) - Learning Next Action Predictors from Human-Computer Interaction [53.41504288073184]
LongNAPは、パラメトリックとコンテキスト内学習を組み合わせて、長時間のインタラクション履歴を推論するユーザモデルである。
当社は、20ユーザーから1ヶ月の連続電話使用で360K以上のアクションをラベル付けし、1,800時間のスクリーンタイムを提供しています。
LongNAPは教師付き微調整を著しく上回り、ホールドアウトデータにベースラインを誘導する。
論文 参考訳（メタデータ） (2026-03-06T05:31:04Z) - HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。
長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。
ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
論文 参考訳（メタデータ） (2025-10-15T16:45:59Z) - A Framework for Generating Conversational Recommendation Datasets from Behavioral Interactions [2.0693204407592836]
ConvRecStudioは、リアルタイムなマルチターンダイアログをシミュレートするフレームワークで、タイムスタンプによるユーザとイテムのインタラクションとレビューに基礎を置いている。
我々は、MobileRec、Yelp、Amazon Electronicsの3つのドメインにConvRecStudioを適用する。
論文 参考訳（メタデータ） (2025-06-14T22:58:48Z) - MaTrRec: Uniting Mamba and Transformer for Sequential Recommendation [6.74321828540424]
ユーザ行動系列内の動的嗜好や依存関係を分析し,パーソナライズされたレコメンデーションを提供することを目的としている。
状態空間モデル(SSM)表現モデルであるMambaに着想を得た結果,Mambaの推奨効率は短い相互作用シーケンスで制限されることがわかった。
我々は,MambaとTransformerの強みを組み合わせた新しいモデルMaTrRecを提案する。
論文 参考訳（メタデータ） (2024-07-27T12:07:46Z) - When Search Meets Recommendation: Learning Disentangled Search
Representation for Recommendation [56.98380787425388]
シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。
SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。
産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2023-05-18T09:04:50Z) - Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR
Prediction [15.97120392599086]
textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。
提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
論文 参考訳（メタデータ） (2022-05-20T15:20:52Z) - 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) - Multi-Interactive Attention Network for Fine-grained Feature Learning in
CTR Prediction [48.267995749975476]
クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。
既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。
マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
論文 参考訳（メタデータ） (2020-12-13T05:46:19Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z)
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。