要旨: 大規模なデジタル・プラットフォームは、ユーザ属性の予測（例：不正防止やレコメンド）にとって重要な、タイムスタンプ付きのユーザ—アイテム間相互作用（イベント）を何十億件も生成する。自己教師あり学習（SSL）はイベントの時間的順序を効果的にモデル化する一方で、通常はユーザ—アイテム相互作用グラフのグローバルな構造を見落としている。そこでこのギャップを埋めるために、コントラストive SSLへ構造情報を統合するための、モデルに依存しない3つの戦略を提案する。具体的には、(1) イベント埋め込みを強化すること、(2) クライアント表現をグラフ埋め込みと整合させること、(3) 構造に関する前処理（前タスク）を追加することである。4つの金融および電子商取引データセットでの実験により、本手法は一貫して精度を向上させること（最大で2.3%のAUC向上）に加え、グラフ密度が、最適な統合戦略を選択する上での重要な要因であることを示す。
孤立したクライアントを超えて：グラフベース埋め込みをイベント系列モデルに統合する
arXiv cs.LG / 2026/4/13
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、イベント系列モデリングにおける既存の自己教師あり学習は時間順序を適切に捉えるものの、ユーザ–アイテムの相互作用グラフ構造といったより広範な情報は概ね無視していると主張する。
- そこで、コントラスト学習の自己教師あり学習へグラフベース情報を注入するための、モデル非依存の3つの戦略を提案する。すなわち、イベント埋め込みの強化、クライアント表現のグラフ埋め込みとの整合、そして構造的な前処理（プリテキスト）タスクの導入である。
- 4つの金融およびeコマースのデータセットにまたがる実験により、一貫して精度が向上し、最大でAUCが2.3%改善したことが報告されている。
- 著者らは、相互作用グラフの密度が、どの統合戦略が最も有効かに強く影響することを見出し、実運用に向けたモデル設計上の判断を導く。
