論文の概要: Graph Enhanced Representation Learning for News Recommendation
- arxiv url: http://arxiv.org/abs/2003.14292v1
- Date: Tue, 31 Mar 2020 15:27:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 01:43:45.251441
- Title: Graph Enhanced Representation Learning for News Recommendation
- Title（参考訳）: ニュースレコメンデーションのためのグラフ強化表現学習
- Authors: Suyu Ge and Chuhan Wu and Fangzhao Wu and Tao Qi and Yongfeng Huang
- Abstract要約: 本稿では,ユーザとニュースの表現学習を強化するニューズレコメンデーション手法を提案する。
本手法では,歴史的ユーザクリック行動から構築した二部グラフのノードとして,ユーザとニュースをみなす。
- 参考スコア（独自算出の注目度）: 85.3295446374509
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the explosion of online news, personalized news recommendation becomes
increasingly important for online news platforms to help their users find
interesting information. Existing news recommendation methods achieve
personalization by building accurate news representations from news content and
user representations from their direct interactions with news (e.g., click),
while ignoring the high-order relatedness between users and news. Here we
propose a news recommendation method which can enhance the representation
learning of users and news by modeling their relatedness in a graph setting. In
our method, users and news are both viewed as nodes in a bipartite graph
constructed from historical user click behaviors. For news representations, a
transformer architecture is first exploited to build news semantic
representations. Then we combine it with the information from neighbor news in
the graph via a graph attention network. For user representations, we not only
represent users from their historically clicked news, but also attentively
incorporate the representations of their neighbor users in the graph. Improved
performances on a large-scale real-world dataset validate the effectiveness of
our proposed method.
- Abstract（参考訳）: オンラインニュースの爆発により、パーソナライズされたニュースレコメンデーションは、ユーザーが興味深い情報を見つけるのを助けるオンラインニュースプラットフォームにとってますます重要になっている。
既存のニュースレコメンデーション手法は、ニュースコンテンツからの正確なニュース表現と、ニュースと直接の相互作用(例えばクリック)から、ニュースとニュースの高次の関連性を無視して、パーソナライズを実現する。
本稿では,ユーザとニュースの表現学習を,その関連性をグラフ設定でモデル化することで向上させるニューズレコメンデーション手法を提案する。
本手法では,歴史的ユーザクリック行動から構築した二部グラフのノードとして,ユーザとニュースをみなす。
ニュース表現では、まずトランスフォーマーアーキテクチャを利用してニュースセマンティック表現を構築する。
次に、グラフアテンションネットワークを介して、グラフ内の隣接ニュースからの情報を組み合わせる。
ユーザ表現では、歴史的にクリックされたニュースからユーザを表現するだけでなく、近隣のユーザの表現をグラフに注意深く組み込む。
提案手法の有効性を検証するため,大規模実世界のデータセットの性能改善を行った。
関連論文リスト
- GLoCIM: Global-view Long Chain Interest Modeling for news recommendation [59.3925442282951]
候補者のニュース記事をユーザーに正確に推薦することは、常にニュースレコメンデーションシステムの中核的な課題である。
近年の取り組みは、全ユーザのクリックニュースシーケンスによって構築されたグローバルなクリックグラフにおいて、局所的なサブグラフ情報を抽出することに集中している。
本稿では,Global-view Long Chain Interests Modeling for News recommendation (GLoCIM)を提案する。
論文 参考訳（メタデータ） (2024-08-01T18:17:25Z) - Going Beyond Local: Global Graph-Enhanced Personalized News
Recommendations [12.783388192026855]
本稿では,GLORY(Global-Local News Recommendation sYstem)と呼ばれる新しいモデルを提案する。
我々は、グローバルニュースグラフを含み、ゲートグラフニューラルネットワークを用いてニュース表現を豊かにする、グローバル対応歴史ニュースを構築することで、これを実現する。
我々は,このアプローチをグローバルなエンティティグラフと候補ニュースアグリゲータを利用して,候補ニュース表現を強化するグローバル候補ニュースに拡張する。
論文 参考訳（メタデータ） (2023-07-13T06:25:22Z) - Nothing Stands Alone: Relational Fake News Detection with Hypergraph
Neural Networks [49.29141811578359]
本稿では,ニュース間のグループ間相互作用を表現するためにハイパーグラフを活用することを提案する。
提案手法は,ラベル付きニュースデータの小さなサブセットであっても,優れた性能を示し,高い性能を維持する。
論文 参考訳（メタデータ） (2022-12-24T00:19:32Z) - Mining User-aware Multi-Relations for Fake News Detection in Large Scale
Online Social Networks [25.369320307526362]
信頼できるユーザーは信頼できるニュースを共有する傾向があり、信頼できないユーザーは信頼できないニュースを広める確率が高い。
本研究では,ソーシャル・ネットワークにおけるニュースとユーザの複数の関係を抽出し,偽ニュースを検出するためのリッチな情報を得るための2層グラフを構築した。
本稿では,ニュース層におけるニュースの伝搬特徴とユーザ層におけるユーザのインタラクション特徴を学習する,Us-DeFakeという偽ニュース検出モデルを提案する。
論文 参考訳（メタデータ） (2022-12-21T05:30:35Z) - DIGAT: Modeling News Recommendation with Dual-Graph Interaction [23.31021910348558]
ニュースレコメンデーション(NR)は、オンラインニュースサービスにとって不可欠である。
既存のNRメソッドは一般的にニュースユーザ表現学習フレームワークを採用しており、2つの潜在的な制限に直面している。
本稿では,ニュースチャネルとユーザグラフチャネルで構成される2つの対話型グラフアテンションネットワーク(DIGAT)を提案する。
論文 参考訳（メタデータ） (2022-10-11T07:01:40Z) - IGNiteR: News Recommendation in Microblogging Applications (Extended
Version) [3.2108350580418166]
我々は、インフルエンスグラフニュースレコメンダ(IGNiteR)と呼ばれる、拡散と影響を意識したディープラーニングに基づくアプローチを提案する。
このニュースを表現するために、マルチレベルアテンションベースのエンコーダを使用して、ユーザの異なる関心事を明らかにする。
実世界の2つのデータセットに対して広範な実験を行い、IGNiteRが最先端のディープラーニングベースのニュースレコメンデーション手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-10-04T22:33:58Z) - Aspect-driven User Preference and News Representation Learning for News
Recommendation [9.187076140490902]
ニュースレコメンダシステムは、通常、ユーザーのトピックレベルの表現とレコメンデーションのためのニュースを学習する。
本稿では,アスペクトレベルのユーザ嗜好とニュース表現学習に基づく,アスペクト駆動型ニューズレコメンダシステム(ANRS)を提案する。
論文 参考訳（メタデータ） (2021-10-12T07:38:54Z) - Why Do We Click: Visual Impression-aware News Recommendation [108.73539346064386]
この作品は、ユーザーがニュースを閲覧する際に感じる視覚的印象に基づいてクリック決定を行うという事実にインスパイアされている。
本稿では,ニュースレコメンデーションのためのビジュアル・セマンティック・モデリングを用いて,このような視覚印象情報を捉えることを提案する。
さらに、グローバルな視点から印象を検査し、異なるフィールドの配置や印象に対する異なる単語の空間的位置などの構造情報を抽出する。
論文 参考訳（メタデータ） (2021-09-26T16:58:14Z) - User Preference-aware Fake News Detection [61.86175081368782]
既存の偽ニュース検出アルゴリズムは、詐欺信号のニュースコンテンツをマイニングすることに焦点を当てている。
本稿では,共同コンテンツとグラフモデリングにより,ユーザの好みから様々な信号を同時にキャプチャする新しいフレームワークUPFDを提案する。
論文 参考訳（メタデータ） (2021-04-25T21:19:24Z) - Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。
偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。
本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
論文 参考訳（メタデータ） (2020-10-20T19:37:04Z)
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。