[論文レビュー] RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors

Miaomiao Cai, Zhijie Zhang+4 more|arXiv (Cornell University)|Jan 13, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

RMBRec は、補助表現とターゲット表現を整合させ、挙動環境全体で不変最適化を強制することで、マルチビヘイビア推奨に対する二モジュールのロバストネスフレームワークを導入し、ベースラインより精度とロバスト性を向上させる。

ABSTRACT

Multi-behavior recommendation faces a critical challenge in practice: auxiliary behaviors (e.g., clicks, carts) are often noisy, weakly correlated, or semantically misaligned with the target behavior (e.g., purchase), which leads to biased preference learning and suboptimal performance. While existing methods attempt to fuse these heterogeneous signals, they inherently lack a principled mechanism to ensure robustness against such behavioral inconsistency. In this work, we propose Robust Multi-Behavior Recommendation towards Target Behaviors (RMBRec), a robust multi-behavior recommendation framework grounded in an information-theoretic robustness principle. We interpret robustness as a joint process of maximizing predictive information while minimizing its variance across heterogeneous behavioral environments. Under this perspective, the Representation Robustness Module (RRM) enhances local semantic consistency by maximizing the mutual information between users' auxiliary and target representations, whereas the Optimization Robustness Module (ORM) enforces global stability by minimizing the variance of predictive risks across behaviors, which is an efficient approximation to invariant risk minimization. This local-global collaboration bridges representation purification and optimization invariance in a theoretically coherent way. Extensive experiments on three real-world datasets demonstrate that RMBRec not only outperforms state-of-the-art methods in accuracy but also maintains remarkable stability under various noise perturbations. For reproducibility, our code is available at https://github.com/miaomiao-cai2/RMBRec/.

研究の動機と目的

• 補助信号がノイズを含みターゲット購入と一致しない場合のマルチビヘイビア推奨のロバスト性を動機づける。
• 局所的な意味的ドリフトとグローバルな最適化安定性の両方を扱う principled な二モジュールフレームワークを提案する。
• 最先端ベースラインと比較して現実世界データセットでの精度とロバスト性の改善を実証する。
• 推奨における行動の異質性と不変学習への洞察を提供する。

提案手法

• 協調的な二つのモジュール：Representation Robustness Module (RRM) と Optimization Robustness Module (ORM)。
• RRM はターゲットアンカリング対比学習を用いて補助ユーザー表現とターゲット表現の相互情報を最大化し、補助信号をターゲット意味に整合させる。
• ORM は不変学習アプローチ（IRM に触発、Risk Extrapolation によって実装）を採用し、挙動環境間で予測リスクの分散を最小化して安定した最適化を促進する。
• 挙動 b ごとに Behavioral encoders を構築（LightGCN を使用）、挙動特有の BPR ロスを適用し、 purified embeddings を等重みで融合して最終予測を行う。
• 全体目的はターゲット挙動の BPR ロスと L_RRM および L_ORM 正則化項を組み合わせた形：L = L_main + lambda1 L_RRM + lambda2 L_ORM。
• フレームワークは、多様な挙動間の分散を最小化しつつ予測情報を最大化することに基づく。

実験結果

リサーチクエスチョン

• RQ1 補助信号がノイズを含みターゲット挙動と意味的に整合しない場合、マルチビヘイビア推奨のロバスト性をどのように向上させることができるか？
• RQ2 局所的な表現レベルの純化とグローバルな最適化レベルの不変性を組み合わせることで、異なる挙動環境全体で精度とロバスト性を改善できるか？
• RQ3 推奨において異なる挙動を別個の環境として扱うことが、不変学習にどのような影響を及ぼすか？
• RQ4 ノイズ耐性 perturbation に対する現実世界のマルチビヘイビアデータセット上で、RMBRec は最先端ベースラインと比べてどうか？

主な発見

• RMBRec は三つの現実世界データセット全体で最先端ベースラインを一貫して上回る。
• RRM または ORM を削除すると大幅な性能低下が生じることがアブレーション研究で示され、その重要性を確認。
• Beibei データセットは高い挙動整合性（BAR）と低い直接ターゲット購入を示し、RMBRec が補助信号を効果的に活用できる信号品質を強調。
• ターゲットアンカリング整合と不変最適化を通じてノイズの多い補助信号と分布シフトに対して頑健であることを示す。
• ノイズ挿入テストやハイパーパラメータ感度分析を含む詳細分析が、アプローチの安定性とロバスト性を検証。