論文の概要: BrowseFlow: Sparse Event Flow Matching for Generative User Simulation
- arxiv url: http://arxiv.org/abs/2610.41374v1
- Date: Fri, 30 Oct 2026 07:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.646767
- Title: BrowseFlow: Sparse Event Flow Matching for Generative User Simulation
- Title（参考訳）: BrowseFlow: 生成ユーザシミュレーションのためのスパースイベントフローマッチング
- Abstract要約: ユーザーシミュレーションは、オンラインプラットフォーム全体でユーザーがコンテンツや製品と対話する方法を再現することを目的としている。
最近の生成的アプローチは、ユーザの閲覧行動履歴とコンテキスト情報を豊かにしている。
しかし、現実的なブラウジングシミュレーションは2つの課題に直面している。
(i)レスポンス: 同じレコメンデーションフィードであっても、同じユーザが異なるブラウジングレスポンスを生成する可能性がある。
(ii)キーイベント: クリックやいいね!は重要なフィードバックを提供するが、スクロールのような進行アクションが支配するブラウジングトラジェクトリ内ではわずかに発生する。
- 参考スコア（独自算出の注目度）: 13.585951074705441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User simulation aims to reproduce how users interact with content and products across online platforms. Recent generative approaches have enriched user simulation with behavioral history and contextual information. However, realistic browsing simulation still faces two challenges. (i) Stochastic Responses: Even with the same recommendation feed, the same user may produce different browsing responses, yielding distinct behavioral trajectories. A logged trajectory records only one such realization. (ii) Sparse Key Events: Clicks and likes provide important feedback but occur sparsely within browsing trajectories dominated by progression actions such as scrolling. Many stepwise simulators predict these actions in a dense sequence, where key events contribute relatively few training targets. To address these challenges, we propose BrowseFlow, a conditional discrete flow matching method for generative user simulation. For Sparse Key Events, BrowseFlow represents each response by its browsing extent and an ordered sequence of key events, directly modeling their counts and locations under exposure constraints. BrowseFlow learns the conditional distribution of complete browsing responses through probabilistic extent prediction and discrete flow matching over key events. Random event retention defines probability paths over partial event sequences, while transition rate matching learns stochastic insertion dynamics. For Stochastic Responses, we use the energy score, a proper scoring rule, to evaluate response fidelity and generated variability, complemented by the Wasserstein distance between key event count distributions. We further introduce TaobaoBrowse, a benchmark pairing real recommendation contexts with fine-grained browsing trajectories. Experiments across three datasets demonstrate that BrowseFlow consistently achieves the best distributional performance.
- Abstract（参考訳）: ユーザーシミュレーションは、オンラインプラットフォーム全体でユーザーがコンテンツや製品と対話する方法を再現することを目的としている。
最近の生成的アプローチは、行動履歴と文脈情報によるユーザシミュレーションを豊かにしている。
しかし、現実的なブラウジングシミュレーションは2つの課題に直面している。
(i)確率応答:同じ推奨フィードであっても、同一ユーザは異なる閲覧応答を生成し、異なる行動軌跡を生成する。
ログされた軌跡は、そのような実現を1つだけ記録する。
(ii)スパースキーイベント: クリックやいいね!は重要なフィードバックを提供するが、スクロールのような進行アクションが支配するブラウジングトラジェクトリ内ではわずかに発生する。
多くのステップワイズシミュレータは、これらのアクションを、キーイベントが比較的少数のトレーニング目標に寄与する密なシーケンスで予測する。
これらの課題に対処するために,生成ユーザシミュレーションのための条件付き離散フローマッチング手法であるBrowseFlowを提案する。
Sparse Key Eventsでは、BrowseFlowはそのブラウジング範囲と順序付けられたキーイベントのシーケンスによって各レスポンスを表現し、露出制約の下でそのカウントとロケーションを直接モデル化する。
BrowseFlowは、確率的範囲予測とキーイベント上の離散フローマッチングにより、完全なブラウジング応答の条件分布を学習する。
ランダムイベント保持は部分的なイベントシーケンス上の確率パスを定義し、トランジッションレートマッチングは確率的挿入ダイナミクスを学習する。
確率応答に対しては, 固有スコア法であるエネルギースコアを用いて, キー事象数分布間のワッサーシュタイン距離を補完し, 応答の忠実度と変動性を評価する。
さらに、実際のレコメンデーションコンテキストと詳細なブラウジングトラジェクトリをペアにしたベンチマークであるTaobaoBrowseを紹介する。
3つのデータセットにわたる実験は、BrowseFlowが常に最高の分散パフォーマンスを達成することを示した。
関連論文リスト
- Foundation Models for Event Prediction Across Heterogeneous Event Logs [12.568249964859852]
イベントログは、ビジネスプロセス、製造、医療、その他多くの運用システムを含む、現実世界のドメインにまたがる。
FEPはシンプルでスケーラブルなインコンテキストアーキテクチャで、学習されたイベントレベルの非推論を通じて次のイベント予測を実行する。
FEPはパラメータ適応のない新しいイベントシステムに効果的に一般化する。
論文 参考訳（メタデータ） (2026-10-13T00:00:04Z) - Towards Faithful Simulation of Human Shopping Behavior [57.234936207923]
本稿では,GUIを用いたシミュレーションエージェントRecVerseについて紹介する。
メモリの問題に対して、RecVerseは認知にインスパイアされた階層的メモリ、短期的なフォーカスのためのワーキングメモリ、セッション内トレースのためのエピソディックメモリ、高レベルのインテントのためのPreference Memoryを採用する。
最適化の課題として、RecVerseは、セッション全体をスコアする軌道レベルの目標で最適化されている。
論文 参考訳（メタデータ） (2026-08-21T03:24:32Z) - Beyond Action Imitation: Learning a Decision-Aware User Simulator for Online Advertising [47.726568328425394]
DASHは思考トレースを共同で生成し,異質なクロスドメイン履歴から行動行動を予測する,意思決定対応のユーザシミュレータである。
ユーザシミュレータをトレーニングするために、DASHは強力なLLMからSFTデータとして思考軌道を蒸留する。
ユーザシミュレータをトレーニングするために、DASHは、RLトレーニングのためのフォーム、コンテンツ、ロジックに沿った思考トレースを評価するルーリックベースの報酬モデルをカスタマイズする。
論文 参考訳（メタデータ） (2026-07-29T13:25:30Z) - Measuring and Mitigating the Distributional Gap Between Real and Simulated User Behaviors [61.610957638373826]
本研究では,実際のユーザ行動とシミュレーションユーザ行動の分布ギャップを計測する手法を提案する。
実会話とシミュレーション会話のデータセットが与えられた場合,本手法は各会話からユーザ行動の表現を抽出する。
ほとんどのシミュレータも同様に振る舞うが、いくつかは独立している。
論文 参考訳（メタデータ） (2026-05-08T15:09:25Z) - Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。
目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。
一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。
我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
論文 参考訳（メタデータ） (2025-08-03T23:48:46Z) - EventFlow: Forecasting Temporal Point Processes with Flow Matching [12.976042923229466]
機械学習では、ニューラルネットワークを使用して自己回帰的に時間点過程をモデル化することが一般的である。
本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。
論文 参考訳（メタデータ） (2024-10-09T20:57:00Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z)
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。