論文の概要: From Tokens to Behaviors: Rethinking Generative Recommendation for User Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2611.16159v1
- Date: Thu, 12 Nov 2026 01:42:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.297693
- Title: From Tokens to Behaviors: Rethinking Generative Recommendation for User Trajectory Prediction
- Title(参考訳): tokens から Behaviors:Rethinking Generative Recommendation for User Trajectory Prediction
- Abstract要約: ユーザの行動軌跡予測は、ユーザのニーズが時間とともにどのように進化するかを捉えることを目的としている。
最近のジェネレーティブレコメンデーション(GR)法は、セマンティックID(SID)の自動生成を通じてこの問題に対処している。
本稿では,ユーザ行動の生成,フィードバック,学習を連続的なユーザ行動と整合させる行動認識型生成レコメンデーションフレームワークであるTraGRを提案する。
- 参考スコア(独自算出の注目度): 40.49007380070234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User behavior trajectory prediction (UBTP) aims to capture how a user's needs evolve over time by predicting the sequence of future interactions from that user's interaction history. Recent generative recommendation (GR) methods address this task through autoregressive generation of semantic IDs (SIDs). However, serial SID decoding couples token generation with behavior state transitions and requires multiple dependent steps per interaction. Discrete item feedback overlooks predictive uncertainty, and teacher-forced training leaves a training-inference gap in trajectory generation. To address these limitations, we propose TraGR, a behavior-aware generative recommendation framework that aligns generation, feedback, and learning with successive user behaviors. Its behavior-level architecture predicts SID tokens in parallel within each interaction and models behavioral transitions through recurrent state updates, with joint SID and item-level supervision. Probability feedback combines the selected behavior with a probability-weighted summary of alternatives to guide subsequent predictions. Relation-aware trajectory learning incorporates collaborative transition signals and later credit assignment into training on model-generated trajectories. Experiments on four public datasets demonstrate that TraGR consistently outperforms state-of-the-art baselines across different prediction horizons. Code: https://github.com/CalmaQi/GR4UBT.
- Abstract(参考訳): ユーザ行動軌跡予測(UBTP)は、ユーザのインタラクション履歴から将来のインタラクションのシーケンスを予測することによって、ユーザのニーズが時間とともにどのように進化するかをキャプチャすることを目的としている。
近年のジェネレーティブレコメンデーション (GR) 手法は, セマンティックID(SID)の自動生成を通じてこの問題に対処している。
しかし、シリアルSIDデコーディングはトークン生成と動作状態遷移を結合し、相互作用毎に複数の依存ステップを必要とする。
離散的なアイテムフィードバックは予測の不確実性を見落とし、教師が強制したトレーニングは、軌道生成におけるトレーニングと推論のギャップを残します。
これらの制約に対処するため,TraGRを提案する。TraGRは,生成,フィードバック,学習を連続したユーザ行動と整合させる行動認識型生成レコメンデーションフレームワークである。
振る舞いレベルのアーキテクチャは、各インタラクション内でSIDトークンを並列に予測し、繰り返し状態更新を通じて動作遷移をモデル化し、共同SIDとアイテムレベルの監視を行う。
確率フィードバックは、選択された行動と、次の予測を導くための選択肢の確率重み付き要約を組み合わせる。
リレーショナル・アウェア・トラジェクトリ・ラーニング(Relation-Aware trajectory Learning)は、モデル生成トラジェクトリのトレーニングに協調的な遷移信号と後続のクレジット割り当てを組み込む。
4つの公開データセットの実験により、TraGRはさまざまな予測地平線をまたいだ最先端のベースラインを一貫して上回ることを示した。
コード:https://github.com/CalmaQi/GR4UBT。
関連論文リスト
- PHKT:Personalized Dynamic Hypergraph-enhanced KAN-Transformer for Multi-behavior Sequential Recommendation [25.69016563652141]
本稿では、パーソナライズされたハイパーグラフ強化Kolmogorov-Arnold Network Transformer(PHKT)を提案する。
PHKTは動的ハイパーグラフモジュールであり、ユーザの履歴行動シーケンスに基づいて、アイテム類似性の振る舞い認識重み付けを行う。
トランスフォーマーは、短期的および長期的嗜好の進化をモデル化するための時間的バックボーンとして使用され、フィードフォワードネットワークにおける従来の重み付けを置き換えるためにkanが導入される。
論文 参考訳(メタデータ) (2026-06-04T00:40:58Z) - RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。
RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
論文 参考訳(メタデータ) (2026-05-17T05:21:23Z) - Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。
重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。
我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
論文 参考訳(メタデータ) (2026-04-16T03:20:11Z) - Generative Chain of Behavior for User Trajectory Prediction [21.55902608247895]
Generative Chain of Behavior(GCB)は、ユーザインタラクションを、複数の将来のステップにおけるセマンティックな振る舞いの自己回帰連鎖としてモデル化する、ジェネレーティブなフレームワークである。
GCBは、多段階の精度と軌道整合性において、最先端のシーケンシャルレコメンデータよりも一貫して優れている。
論文 参考訳(メタデータ) (2026-01-26T06:57:31Z) - Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。
LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。
本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2024-05-23T09:34:28Z) - Personalized Behavior-Aware Transformer for Multi-Behavior Sequential
Recommendation [25.400756652696895]
マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。
PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。
3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
論文 参考訳(メタデータ) (2024-02-22T12:03:21Z) - 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) - Recommender Transformers with Behavior Pathways [50.842316273120744]
Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。
実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
論文 参考訳(メタデータ) (2022-06-13T08:58:37Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳(メタデータ) (2021-09-07T04:28:09Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳(メタデータ) (2021-08-14T07:15:25Z)
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。