[論文レビュー] SRSUPM: Sequential Recommender System Based on User Psychological Motivation

Yicheng Di, Yuan Liu+2 more|arXiv (Cornell University)|Feb 9, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

SRSUPM は、心理的動機のシフトを多層的に表現し、シフト対応型の協調学習を用いて次アイテム予測を改善する、順序推奨モデルを補完するプラグインフレームワークである。

ABSTRACT

Sequential recommender infers users' evolving psychological motivations from historical interactions to recommend the next preferred items. Most existing methods compress recent behaviors into a single vector and optimize it toward a single observed target item, but lack explicit modeling of psychological motivation shift. As a result, they struggle to uncover the distributional patterns across different shift degrees and to capture collaborative knowledge that is sensitive to psychological motivation shift. We propose a general framework, the Sequential Recommender System Based on User Psychological Motivation, to enhance sequential recommenders with psychological motivation shift-aware user modeling. Specifically, the Psychological Motivation Shift Assessment quantitatively measures psychological motivation shift; guided by PMSA, the Shift Information Construction models dynamically evolving multi-level shift states, and the Psychological Motivation Shift-driven Information Decomposition decomposes and regularizes representations across shift levels. Moreover, the Psychological Motivation Shift Information Matching strengthens collaborative patterns related to psychological motivation shift to learn more discriminative user representations. Extensive experiments on three public benchmarks show that SRSUPM consistently outperforms representative baselines on diverse sequential recommender tasks.

研究の動機と目的

• ユーザーの心理的動機が時系列の順序推奨においてどのようにシフトするかを動機づけと定量化。
• バックボーンをシフト対応表現と学習で補強する汎用的なプラグアンドプレイフレームワークを開発。
• PMSA でシフト度を定量化し、SIC と PMSID/PMSIM によって多層のシフト表現を構築。
• シフト対応のユーザー表現をシフト情報マッチングを通じて整合させ、協調学習を改善。

提案手法

• 歴史アイテムとターゲットアイテム間のシフト度をカテゴリ重複で定量化する心理的動機シフト評価（PMSA）を導入。
• バックボーンユーザーベクトルから V 本の平行シフト表現を作成するシフト情報構築（SIC）を構築。
• PMSID によって分解を正規化し、シフト表現をレベル間に分配する。
• PMSIM によって同じターゲットとシフトレベルを共有する類似ユーザー間でシフト表現を整合させる。
• バックボーン上に SRSUPM を実装し、推奨損失、分解損失、マッチング損失を組み合わせたマルチタスク損失で学習。
• 最終アイテムスコアを f_{m,k} によるシフト対応表現の総和と V レベル上のソフトマックスで算出し、シフト条件付きの推奨を実現。

Figure 1: When predicting the next interacted item, sequential recommender methods that follow the standard formulation often fail to make accurate predictions for users $m_{1}$ and $m_{3}$ , mainly due to the shift in psychological motivation.

実験結果

リサーチクエスチョン

• RQ1 SRSUPM を異なるバックボーン順序推奨器に汎用プラグインとして組み込めるか。
• RQ2 心理的動機のシフトモデリングは、 diverse datasets で強力なベースラインを上回る推奨性能をもたらすか。
• RQ3 主要コンポーネント（PMSID、PMSIM、PMI）とハイパーパラメータ（V、gamma1、gamma2）の性能影響はどうなるか。
• RQ4 様々なバックボーンと統合した場合の SRSUPM の推論効率はどうか。
• RQ5 ラベルノイズやシフト強度の変動に対して SRSUPM は頑健か。

主な発見

モデル	Yelp_R@10	Yelp_R@20	Yelp_N@10	Yelp_N@20	Beauty_R@10	Beauty_R@20	Beauty_N@10	Beauty_N@20	Sports_R@10	Sports_R@20	Sports_N@10	Sports_N@20
GRU4Rec	0.0401	0.0672	0.0197	0.0266	0.0604	0.0867	0.0345	0.0411	0.0320	0.0475	0.0172	0.0214
GRU4Rec +SRSUPM	0.0520	0.0841	0.0238	0.0339	0.0772	0.1009	0.0452	0.0524	0.0388	0.0673	0.0211	0.0273
SASRec	0.0640	0.0908	0.0402	0.0474	0.0860	0.1204	0.0419	0.0513	0.0501	0.0706	0.0234	0.0278
SASRec +SRSUPM	0.0781	0.1132	0.0469	0.0572	0.1042	0.1385	0.0517	0.0625	0.0583	0.0845	0.0292	0.0380
Caser	0.0372	0.0557	0.0186	0.0235	0.0503	0.0778	0.0254	0.0342	0.0292	0.0451	0.0136	0.0176
Caser +SRSUPM	0.0407	0.0636	0.0231	0.0276	0.0591	0.0895	0.0313	0.0394	0.0307	0.0520	0.0159	0.0207
Bert4Rec	0.0368	0.0554	0.0191	0.0247	0.0524	0.0791	0.0322	0.0381	0.0304	0.0468	0.0147	0.0185
Bert4Rec +SRSUPM	0.0411	0.0633	0.0236	0.0285	0.0614	0.0915	0.0359	0.0428	0.0327	0.0539	0.0171	0.0216
LightSANs	0.0645	0.0914	0.0405	0.0479	0.0872	0.1217	0.0443	0.0526	0.0518	0.0720	0.0249	0.0292
LightSANs +SRSUPM	0.0774	0.1095	0.0472	0.0574	0.1035	0.1388	0.0512	0.0619	0.0575	0.0834	0.0282	0.0369

• SRSUPM は Yelp、Beauty、Sports のデータセットで GRU4Rec、SASRec、Caser、Bert4Rec、LightSANs などのバックボーンモデルを一貫して改善。
• SRSUPM を組み込むとほとんどの設定で最良または次点の結果となり、特に Beauty の Recall@20 および NDCG@20 で顕著な改善。
• アブレーションにより PMSID（分解）と PMSIM（マッチング）の両方が性能に寄与し、PMSID が特に影響力が大きいことが多い。
• SRSUPM の推論オーバーヘッドは控えめで、バックボーンを越えて安定、最近のシフト意識型・コントラスト学習法と競合。
• ハイパーパラメータ分析では、V は約 5 が最適（粒度とノイズのバランス）、gamma1 と gamma2 のバランス設定で意味のある改善を示す。
• 定性的分析では PMSA がシフトレベルと整合し、シフト駆動の表現が動機レベルごとにクラスタ化することを示す。

Figure 2: Overview of SRSUPM with SASRec backbone and $V{=}5$ . PMSA assesses the psychological motivation shift level $b{=}4$ between the input sequence and target item using multi-label categories. Shift Information Construction generates $V$ transformation vectors, selects the corresponding shift