GSPRec：時間的要素を考慮したグラフスペクトルフィルタリングによるレコメンド
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2505.11552v2 発表種別: replace-cross
要旨: グラフベースのレコメンドシステムは協調的なパターンを効果的にモデル化できる一方で、低域通過フィルタリングへの過剰依存によるユーザ固有シグナルの抑制、およびグラフ構築における時系列ダイナミクスの省略という2つの限界を持つことが多い。本研究では、時系列情報を考慮したグラフ構築を通じて時間的遷移を統合し、スペクトル領域で周波数認識フィルタリングを適用するグラフスペクトルモデル、GSPRecを提案する。GSPRecはマルチホップ拡散によってアイテム遷移をエンコードすることで、スペクトル処理にSymmetric Laplacianの使用を可能にする。ユーザ嗜好を捉えるため、中周波数のユーザレベルパターンを抽出するガウス帯域通過フィルタと、グローバルなトレンドを保持する低域通過フィルタという二重フィルタリング機構を設計した。4つの公開データセットを用いた広範な実験により、GSPRecはベースラインを常に上回り、NDCG@10において平均6.77%の改善を示すことが分かった。アブレーションスタディは、時系列グラフ拡張と帯域通過フィルタリングの両方の相補的な利点を示している。
原文（英語）を表示
Title (EN): GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation
arXiv:2505.11552v2 Announce Type: replace-cross
Abstract: Graph-based recommendation systems are effective at modeling collaborative patterns but often suffer from two limitations: overreliance on low-pass filtering, which suppresses user-specific signals, and omission of sequential dynamics in graph construction. We introduce GSPRec, a graph spectral model that integrates temporal transitions through sequentially-informed graph construction and applies frequency-aware filtering in the spectral domain. GSPRec encodes item transitions via multi-hop diffusion to enable the use of symmetric Laplacians for spectral processing. To capture user preferences, we design a dual-filtering mechanism: a Gaussian bandpass filter to extract mid-frequency, user-level patterns, and a low-pass filter to retain global trends. Extensive experiments on four public datasets show that GSPRec consistently outperforms baselines, with an average improvement of 6.77% in NDCG@10. Ablation studies show the complementary benefits of both sequential graph augmentation and bandpass filtering.
Published: 2025-09-24 19:00 UTC