論文の概要: Bundle Recommendation with Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2005.03475v1
• Date: Thu, 7 May 2020 13:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 00:08:48.573045
• Title: Bundle Recommendation with Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークによるバンドル勧告
• Authors: Jianxin Chang, Chen Gao, Xiangnan He, Yong Li, Depeng Jin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.95344006365914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bundle recommendation aims to recommend a bundle of items for a user to consume as a whole. Existing solutions integrate user-item interaction modeling into bundle recommendation by sharing model parameters or learning in a multi-task manner, which cannot explicitly model the affiliation between items and bundles, and fail to explore the decision-making when a user chooses bundles. In this work, we propose a graph neural network model named BGCN (short for \textit{\textBF{B}undle \textBF{G}raph \textBF{C}onvolutional \textBF{N}etwork}) for bundle recommendation. BGCN unifies user-item interaction, user-bundle interaction and bundle-item affiliation into a heterogeneous graph. With item nodes as the bridge, graph convolutional propagation between user and bundle nodes makes the learned representations capture the item level semantics. Through training based on hard-negative sampler, the user's fine-grained preferences for similar bundles are further distinguished. Empirical results on two real-world datasets demonstrate the strong performance gains of BGCN, which outperforms the state-of-the-art baselines by 10.77\% to 23.18\%.
• Abstract（参考訳）: bundle recommendationは、ユーザが全体として消費するアイテムのバンドルを推奨することを目的としている。 既存のソリューションでは,モデルパラメータや学習をマルチタスク形式で共有することで,ユーザと項目のインタラクションモデリングをバンドルレコメンデーションに統合している。 本研究では,バンドルレコメンデーションのためのグラフニューラルネットワークモデルBGCN (short for \textit{\textBF{B}undle \textBF{G}raph \textBF{C}onvolutional \textBF{N}etwork})を提案する。 BGCNは、ユーザ-itemインタラクション、ユーザ-バンドルインタラクション、バンドル-itemアフィリエイトをヘテロジニアスグラフに統合する。 アイテムノードをブリッジとして、ユーザとバンドルノード間のグラフ畳み込み伝搬により、学習された表現はアイテムレベルのセマンティクスをキャプチャする。 強陰性サンプリングに基づくトレーニングにより、類似バンドルに対するユーザのきめ細かい好みをさらに区別する。 2つの実世界のデータセットに対する実証的な結果は、最先端のベースラインを10.77\%から23.18\%に上回るBGCNのパフォーマンス向上を示す。

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)
• Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation [10.08634397606628]
  我々は、ハイパーグラフ強化デュアル畳み込みニューラルネットワーク(HED)と呼ばれるバンドルレコメンデーションのための統一モデルを開発する。 まず、ユーザ、アイテム、バンドル間のインタラクションのダイナミクスを捉えるための完全なハイパーグラフを構築し、続いてU-Bインタラクション情報を組み込んで、ユーザから派生した情報表現を強化し、組込みベクトルをバンドルする。
  論文  参考訳（メタデータ） (2023-12-18T08:35:10Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Accurate Bundle Matching and Generation via Multitask Learning with Partially Shared Parameters [26.86672946938231]
  バンドルマッチングと生成の正確なアプローチである BundleMage を提案する。 本稿では,バンドルマッチングにおけるnDCGの最大6.6%,バンドル生成におけるnDCGの最大6.3倍を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-19T09:46:20Z)
• 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)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• 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)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)
• BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network [64.73281115977576]
  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。
  論文  参考訳（メタデータ） (2020-01-14T16:27:32Z)

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。