論文の概要: BasConv: Aggregating Heterogeneous Interactions for Basket
Recommendation with Graph Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2001.09900v2
- Date: Fri, 8 May 2020 03:17:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 13:37:33.704587
- Title: BasConv: Aggregating Heterogeneous Interactions for Basket
Recommendation with Graph Convolutional Neural Network
- Title（参考訳）: BasConv: グラフ畳み込みニューラルネットワークを用いたバスケット推薦のための異種相互作用の集約
- Authors: Zhiwei Liu, Mengting Wan, Stephen Guo, Kannan Achan, Philip S. Yu
- Abstract要約: バスケット内のレコメンデーションは、ユーザのバスケットに対する意図が重要となるユーザの探索時間を短縮する。
グラフ畳み込みニューラルネットワークに基づく textbfBasConv という新しいフレームワークを提案する。
私たちのBasConvモデルには、3種類のノード用に特別に設計された3種類のアグリゲータがあります。
- 参考スコア（独自算出の注目度）: 64.73281115977576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Within-basket recommendation reduces the exploration time of users, where the
user's intention of the basket matters. The intent of a shopping basket can be
retrieved from both user-item collaborative filtering signals and multi-item
correlations. By defining a basket entity to represent the basket intent, we
can model this problem as a basket-item link prediction task in the
User-Basket-Item~(UBI) graph. Previous work solves the problem by leveraging
user-item interactions and item-item interactions simultaneously. However,
collectivity and heterogeneity characteristics are hardly investigated before.
Collectivity defines the semantics of each node which should be aggregated from
both directly and indirectly connected neighbors. Heterogeneity comes from
multi-type interactions as well as multi-type nodes in the UBI graph. To this
end, we propose a new framework named \textbf{BasConv}, which is based on the
graph convolutional neural network. Our BasConv model has three types of
aggregators specifically designed for three types of nodes. They collectively
learn node embeddings from both neighborhood and high-order context.
Additionally, the interactive layers in the aggregators can distinguish
different types of interactions. Extensive experiments on two real-world
datasets prove the effectiveness of BasConv. Our code is available online at
https://github.com/JimLiu96/basConv.
- Abstract（参考訳）: in-basketレコメンデーションはユーザの探索時間を短縮し、ユーザのバスケットに対する意図が問題となる。
ショッピングバスケットの意図は、ユーザ-項目協調フィルタリング信号とマルチ項目相関信号の両方から検索できる。
バスケットインテントを表すバスケットエンティティを定義することで、この問題をuser-basket-item~(ubi)グラフのバスケット-itemリンク予測タスクとしてモデル化することができる。
従来の作業では,ユーザ-イテムインタラクションとアイテム-イテムインタラクションを同時に活用することで,この問題を解決する。
しかし, 収集率や不均質性は従来はほとんど調査されなかった。
集合性は各ノードのセマンティクスを定義し、それは直接および間接的に接続された隣人の両方から集約されるべきである。
異種性は、UBIグラフのマルチタイプ相互作用とマルチタイプノードから生じる。
そこで本研究では,グラフ畳み込みニューラルネットワークに基づく新しいフレームワークである \textbf{basconv}を提案する。
basconvモデルには3種類のノード用に特別に設計された3種類のアグリゲータがあります。
彼らは近傍と高次の両方のコンテキストからノード埋め込みを学習する。
さらに、アグリゲータ内の対話層は異なるタイプの相互作用を区別することができる。
2つの実世界のデータセットに対する大規模な実験は、BasConvの有効性を証明する。
私たちのコードはhttps://github.com/jimliu96/basconv.comで利用可能です。
関連論文リスト
- Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳（メタデータ） (2024-04-16T07:05:16Z) - OntoMerger: An Ontology Integration Library for Deduplicating and
Connecting Knowledge Graph Nodes [2.6553713413568913]
OntoMergerはPython統合ライブラリで、KGノードを非重複化する機能を備えている。
提案手法では,KGノードの集合,マッピング,切断を行い,結合階層とともに統合ノードの集合を生成する。
OntoMerger は様々な KG に適用できる。
論文 参考訳（メタデータ） (2022-06-05T18:52:26Z) - Multi-Behavior Enhanced Recommendation with Cross-Interaction
Collaborative Relation Modeling [42.6279077675585]
本稿では,グラフニューラルマルチビヘイビア拡張レコメンデーションフレームワークを提案する。
グラフベースのメッセージパッシングアーキテクチャの下で、異なるタイプのユーザ-テムインタラクション間の依存関係を明示的にモデル化します。
実世界のレコメンデーションデータセットの実験は、GNMRが最先端の手法を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2022-01-07T03:12:37Z) - Heterogeneous Graph Collaborative Filtering [25.05199172369437]
本稿では,ユーザ間インタラクションを異種グラフとしてモデル化し,ユーザ間のインタラクションを示すだけでなく,ユーザ間のインタラクションの類似性を示すエッジをモデル化する。
我々は、相互作用信号と類似信号の両方を明示的にキャプチャできるGCNベースのフレームワークであるヘテロジニアスグラフ協調フィルタリング(HGCF)を開発した。
論文 参考訳（メタデータ） (2020-11-13T08:34:53Z) - Basket Recommendation with Multi-Intent Translation Graph Neural Network [59.00550319853681]
バスケットボールレコメンデーション(BR)は、現在のバスケットにアイテムのランキングリストを推薦することである。
textbfMulti-textbfIntent textbfTranslation textbfGraph textbfNeural textbfNetwork(textbfMITGNN)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-22T03:52:00Z) - ConsNet: Learning Consistency Graph for Zero-Shot Human-Object
Interaction Detection [101.56529337489417]
画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。
我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。
提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
論文 参考訳（メタデータ） (2020-08-14T09:11:18Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-05-07T13:48:26Z) - Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。
グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文 参考訳（メタデータ） (2020-04-05T13:09:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。