効率的で、データ主導型のエッジ拡散による推薦システムグラフ
ユーザー・アイテム相互作用の重み付きグラフを直接的に非ノイズ化することで、ユーザー・アイテム間の相互作用強度を正確に予測する。
ユーザー嗜好の理解を深めるための重要な負のサンプリング手法の調査と今後の方向性
推薦システムにおいて、ユーザーの真の嗜好を理解するために、適切な負のサンプルを選択することが重要である。
大規模言語モデルは推薦システムのシーレンディピティを評価できるか
大規模言語モデルを活用して、ユーザーが推薦アイテムをシーレンディピティと感じるかを評価する手法を提案し、その有効性を検証する。
公平な表現学習による個人化された公平性を持つ推薦システム
本論文は、個人化された公平性を持つ推薦システムを実現するための新しいモデルAFRLを提案する。AFRLは、ユーザーの公平性要求に応じて動的に公平な埋め込みを生成することができ、非感受性属性の弁別情報を保持しつつ、属性に依存しないコラボレーション信号を取り入れることで、公平性と精度のトレードオフを改善する。
コンテキスト化された非バイアス型推薦モデル「CaDRec」
本論文は、ユーザーの行動パターンを正確に捉えるために、構造的コンテキストと順序的コンテキストの両方を考慮したハイパーグラフ畳み込み演算子を提案し、さらに人気バイアスとユーザー個人バイアスを分離することで、非バイアス型の推薦を実現する手法「CaDRec」を提案する。
ニューラルカウザルグラフ協調フィルタリング
本研究では、グラフ畳み込みネットワーク(GCN)ベースの協調フィルタリング(GCF)モデルにおいて、因果モデリングを統合することで、複雑な因果関係を捉えた精度の高い推薦を実現する。
次のアイテムを予測するための安定した推薦モデルを構築するための統計情報を活用したプリトレーニング
ユーザーの行動履歴にはランダムなノイズが含まれており、これが推薦モデルの最適化を妨げている。そこで、統計情報を活用したプリトレーニングを行うことで、ランダムなノイズの影響を軽減し、より安定した推薦モデルを構築することができる。
短期的なフィードバックと長期的な定着の両方を最適化するための順次推薦
本研究では、短期的なユーザーの反応と長期的なユーザーの定着の両方を同時に最適化するための新しい推薦フレームワークDT4IERを提案する。
自己教師学習を用いた推薦システムに関する包括的な調査
自己教師学習は、ラベル付きデータの不足に悩む推薦システムの課題を解決する有効な手段である。本調査では、自己教師学習を活用した推薦システムの最新の研究動向を包括的に紹介する。
ノイズの多い暗黙的なユーザー-アイテム相互作用を効果的に処理するための方向性拡散グラフトランスフォーマー
提案するDiffGTモデルは、方向性ガウスノイズを用いた拡散プロセスと、ユーザーの過去の相互作用情報を活用した条件付き逆拡散プロセスを組み合わせることで、ノイズの多い暗黙的な相互作用を効果的に処理し、トップ-k推薦の性能を向上させる。
