論文の概要: CSRN: Collaborative Sequential Recommendation Networks for News Retrieval

• arxiv url: http://arxiv.org/abs/2004.04816v1
• Date: Tue, 7 Apr 2020 13:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 23:31:47.953037
• Title: CSRN: Collaborative Sequential Recommendation Networks for News Retrieval
• Title（参考訳）: CSRN:ニュース検索のための協調的シーケンスレコメンデーションネットワーク
• Authors: Bing Bai, Guanhua Zhang, Ye Lin, Hao Li, Kun Bai, Bo Luo
• Abstract要約: ニュースアプリが紙ベースのメディアの人気を引き継ぎ、パーソナライゼーションの絶好の機会となった。 リカレントニューラルネットワーク(RNN)ベースのシーケンシャルレコメンデーションは、ユーザの最近のブラウジング履歴を利用して将来のアイテムを予測する一般的なアプローチである。 本稿では、RNNに基づくシーケンシャルレコメンデーションとUserCFのキーアイデアを統合するためのディープニューラルネットワークのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.852710435482997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, news apps have taken over the popularity of paper-based media, providing a great opportunity for personalization. Recurrent Neural Network (RNN)-based sequential recommendation is a popular approach that utilizes users' recent browsing history to predict future items. This approach is limited that it does not consider the societal influences of news consumption, i.e., users may follow popular topics that are constantly changing, while certain hot topics might be spreading only among specific groups of people. Such societal impact is difficult to predict given only users' own reading histories. On the other hand, the traditional User-based Collaborative Filtering (UserCF) makes recommendations based on the interests of the "neighbors", which provides the possibility to supplement the weaknesses of RNN-based methods. However, conventional UserCF only uses a single similarity metric to model the relationships between users, which is too coarse-grained and thus limits the performance. In this paper, we propose a framework of deep neural networks to integrate the RNN-based sequential recommendations and the key ideas from UserCF, to develop Collaborative Sequential Recommendation Networks (CSRNs). Firstly, we build a directed co-reading network of users, to capture the fine-grained topic-specific similarities between users in a vector space. Then, the CSRN model encodes users with RNNs, and learns to attend to neighbors and summarize what news they are reading at the moment. Finally, news articles are recommended according to both the user's own state and the summarized state of the neighbors. Experiments on two public datasets show that the proposed model outperforms the state-of-the-art approaches significantly.
• Abstract（参考訳）: 現在、ニュースアプリは紙ベースのメディアの人気を引き継ぎ、パーソナライゼーションの絶好の機会となっている。 リカレントニューラルネットワーク(RNN)ベースのシーケンシャルレコメンデーションは、ユーザの最近のブラウジング履歴を利用して将来のアイテムを予測する一般的なアプローチである。 このアプローチは、ニュース消費の社会的な影響を考慮しない、すなわち、ユーザーが常に変化している人気トピックをフォローする、特定のホットトピックが特定のグループにのみ拡散する、という制限がある。 このような社会的な影響は、ユーザの読書履歴だけでは予測が難しい。 一方、従来のUser-based Collaborative Filtering (UserCF)は、RNNベースの手法の弱点を補う可能性を提供する"隣人"の関心に基づいて推奨する。 しかし、従来のUserCFでは、ユーザ間の関係をモデル化するために単一の類似度メトリックしか使用していません。 本稿では,RNNに基づくシーケンシャルレコメンデーションとUserCFのキーアイデアを統合するためのディープニューラルネットワークのフレームワークを提案し,CSRN(Collaborative Sequential Recommendation Networks)を開発する。 まず,ベクトル空間におけるユーザ間のトピック特有の類似性を把握するために,ユーザ間の有向共読ネットワークを構築する。 そして、CSRNモデルがユーザをRNNでエンコードし、隣人に会うことを学び、現在読んでいるニュースを要約する。 最後に、ユーザの自身の状態と隣人の要約状態の両方に応じて、ニュース記事が推奨される。 2つの公開データセットの実験では、提案されたモデルが最先端のアプローチを大幅に上回ることを示した。

関連論文リスト

• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach [66.31587753595291]
  本稿では,ローカルユーザとモバイルユーザの両面からコンテンツの人気度を統合した,モビリティに配慮した新しい人気予測ポリシーを提案する。 ローカルユーザにとって、コンテンツの人気は、ローカルユーザやコンテンツの隠された表現を学習することによって予測される。 モバイルユーザーにとって、コンテンツの人気はユーザー好みの学習によって予測される。
  論文  参考訳（メタデータ） (2022-06-13T03:34:00Z)
• Empowering Next POI Recommendation with Multi-Relational Modeling [27.27372864066066]
  位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの位置情報関連の大規模活動と体験を提供する。 次の関心のポイント(POI)レコメンデーションは、LBSNにおける最も重要なタスクの1つである。 マルチネットワーク表現学習モジュールとの異種関係を効果的に活用する新しいフレームワークMEMOを提案する。
  論文  参考訳（メタデータ） (2022-04-24T21:51:29Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation [11.62499965678381]
  シーケンスレコメンデーション(SR)は、現在のアクセスされたアイテムに基づいて、ユーザーのアイテムのリストを正確に推奨することです。 本稿では,新たなディープラーニングモデルであるRelation Temporal Attentive Graph Neural Networks (RetaGNN)を提案する。
  論文  参考訳（メタデータ） (2021-01-29T08:08:34Z)
• STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation [22.705788963791445]
  Next Point-of-Interest(POI)推奨は、位置情報ベースのソーシャルネットワーク(LBSN)と交通機関の領域にまたがる長年にわたる問題である。 最近のリカレントニューラルネットワーク(RNN)に基づくアプローチは、独立したユーザ訪問シーケンスに基づいて、ローカルビューでPOI-POI関係を学習する。 本研究では,個人化されたユーザの嗜好を同時に活用し,グローバルな空間的・時間的嗜好地区における新たなPOIを探索する新しい探索・探索モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:03:42Z)
• UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks [27.485553372163732]
  本稿では,グラフニューラルネットワーク,UBER-GNNを用いたユーザベースの埋め込み提案を提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 実際のPingでの実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-06T09:54:03Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。