論文の概要: Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information

• arxiv url: http://arxiv.org/abs/2001.10495v2
• Date: Sun, 26 Jul 2020 12:34:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:25:03.066964
• Title: Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information
• Title（参考訳）: Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information
• Authors: Amar Budhiraja, Gaurush Hiranandani, Darshak Chhatbar, Aditya Sinha, Navya Yarrabelly, Ayush Choure, Oluwasanmi Koyejo, Prateek Jain
• Abstract要約: ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であるレコメンデーションシステムの問題について検討する。 我々は、現代の現実世界のレコメンデーションの複雑さを捉えた問題に対する一般的な定式化を提供する。 本稿では,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。
• 参考スコア（独自算出の注目度）: 20.176329366180934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the problem of recommendation system where the users and items to be recommended are rich data structures with multiple entity types and with multiple sources of side-information in the form of graphs. We provide a general formulation for the problem that captures the complexities of modern real-world recommendations and generalizes many existing formulations. In our formulation, each user/document that requires a recommendation and each item or tag that is to be recommended, both are modeled by a set of static entities and a dynamic component. The relationships between entities are captured by several weighted bipartite graphs. To effectively exploit these complex interactions and learn the recommendation model, we propose MEDRES- a multiple graph-CNN based novel deep-learning architecture. MEDRES uses AL-GCN, a novel graph convolution network block, that harnesses strong representative features from the underlying graphs. Moreover, in order to capture highly heterogeneous engagement of different users with the system and constraints on the number of items to be recommended, we propose a novel ranking metric pAp@k along with a method to optimize the metric directly. We demonstrate effectiveness of our method on two benchmarks: a) citation data, b) Flickr data. In addition, we present two real-world case studies of our formulation and the MEDRES architecture. We show how our technique can be used to naturally model the message recommendation problem and the teams recommendation problem in the Microsoft Teams (MSTeams) product and demonstrate that it is 5-6% points more accurate than the production-grade models.
• Abstract（参考訳）: 本稿では,ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であり,複数の側情報ソースをグラフ形式で持つようなレコメンデーションシステムの問題について検討する。 現代実世界のレコメンデーションの複雑さを捉え、既存の多くの定式化を一般化した問題の一般的な定式化を提供する。 私たちの定式化では、レコメンデーションを必要とする各ユーザ/ドキュメントと推奨される各アイテムまたはタグは、静的エンティティと動的コンポーネントのセットによってモデル化されます。 エンティティ間の関係は、いくつかの重み付き二部グラフによって捉えられる。 これらの複雑な相互作用を効果的に活用し、レコメンデーションモデルを学習するために、マルチグラフCNNに基づく新しいディープラーニングアーキテクチャであるMEDRESを提案する。 MEDRESは、新しいグラフ畳み込みネットワークブロックであるAL-GCNを使用し、基礎となるグラフから強力な代表的特徴を利用する。 さらに,システムと推奨すべき項目数に関する制約により,異なるユーザの高度に異質なエンゲージメントを捉えるために,新しいランキング指標pap@kを提案し,そのメトリックを直接最適化する手法を提案する。 提案手法の有効性を2つのベンチマークで示す。 a) 引用データ, b) flickrのデータ。 さらに,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。 我々は、Microsoft Teams(MSTeams)製品におけるメッセージレコメンデーション問題とチームのレコメンデーション問題を自然にモデル化するために、我々の技術をどのように利用できるかを示し、プロダクショングレードモデルよりも5-6%精度が高いことを示す。

関連論文リスト

• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• DEKGCI: A double-sided recommendation model for integrating knowledge graph and user-item interaction graph [0.0]
  本稿では,新しい両面推薦モデルであるDECGCIを提案する。 ユーザ側でのユーザ表現を豊かにするために,ユーザ-イテム相互作用グラフからの高次協調信号を使用する。
  論文  参考訳（メタデータ） (2023-06-24T01:54:49Z)
• Virtual Relational Knowledge Graphs for Recommendation [15.978408290522852]
  全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。 まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。 また、ユーザ表現学習において、LWS機構をユーザアイコン二部グラフに適用する。
  論文  参考訳（メタデータ） (2022-04-03T15:14:20Z)
• Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information [42.88448098873448]
  対話レコメンデーションシステム(CRS)は,対話履歴からユーザの好みを推測することでユーザと対話する。 従来のCRSでは、知識グラフ(KG)ベースのレコメンデーションモジュールを使用し、応答生成のための言語モデルとKGを統合する。 本稿では,事前学習言語モデル(PLM)と項目メタデータエンコーダを組み合わせた,シンプルで効果的なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-15T14:12:48Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Thematic recommendations on knowledge graphs using multilayer networks [0.0]
  知識グラフ(KG)の多層ネットワーク表現に基づくテーマレコメンデーションの生成と評価のためのフレームワークを提案する。 この表現では、各層はKG内の異なるタイプの関係を符号化し、有向層間結合は異なる役割において同じエンティティを接続する。 パーソナライズされたPageRankアルゴリズムをKGの多層モデルに適用し,項目列レコメンデーションを生成する。
  論文  参考訳（メタデータ） (2021-05-12T15:30:21Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
  本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。 我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
  論文  参考訳（メタデータ） (2020-10-23T10:30:24Z)

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。