論文の概要: Joint Item Recommendation and Attribute Inference: An Adaptive Graph
Convolutional Network Approach
- arxiv url: http://arxiv.org/abs/2005.12021v1
- Date: Mon, 25 May 2020 10:50:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 06:31:53.466853
- Title: Joint Item Recommendation and Attribute Inference: An Adaptive Graph
Convolutional Network Approach
- Title(参考訳): 共同項目推薦と属性推論:適応型グラフ畳み込みネットワークアプローチ
- Authors: Le Wu, Yonghui Yang, Kun Zhang, Richang Hong, Yanjie Fu and Meng Wang
- Abstract要約: レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。
ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。
本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
- 参考スコア(独自算出の注目度): 61.2786065744784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many recommender systems, users and items are associated with attributes,
and users show preferences to items. The attribute information describes
users'(items') characteristics and has a wide range of applications, such as
user profiling, item annotation, and feature-enhanced recommendation. As
annotating user (item) attributes is a labor intensive task, the attribute
values are often incomplete with many missing attribute values. Therefore, item
recommendation and attribute inference have become two main tasks in these
platforms. Researchers have long converged that user (item) attributes and the
preference behavior are highly correlated. Some researchers proposed to
leverage one kind of data for the remaining task, and showed to improve
performance. Nevertheless, these models either neglected the incompleteness of
user (item) attributes or regarded the correlation of the two tasks with simple
models, leading to suboptimal performance of these two tasks. To this end, in
this paper, we define these two tasks in an attributed user-item bipartite
graph, and propose an Adaptive Graph Convolutional Network (AGCN) approach for
joint item recommendation and attribute inference. The key idea of AGCN is to
iteratively perform two parts: 1) Learning graph embedding parameters with
previously learned approximated attribute values to facilitate two tasks; 2)
Sending the approximated updated attribute values back to the attributed graph
for better graph embedding learning. Therefore, AGCN could adaptively adjust
the graph embedding learning parameters by incorporating both the given
attributes and the estimated attribute values, in order to provide weakly
supervised information to refine the two tasks. Extensive experimental results
on three real-world datasets clearly show the effectiveness of the proposed
model.
- Abstract(参考訳): 多くのレコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。
属性情報は、ユーザの(items)特性を記述し、ユーザプロファイリング、アイテムアノテーション、機能強化レコメンデーションなど幅広いアプリケーションを持つ。
ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。
したがって、これらのプラットフォームではアイテムレコメンデーションと属性推論が2つの主要なタスクになっている。
研究者は長い間、ユーザー(イテム)属性と嗜好行動は高い相関関係にあると結論づけてきた。
一部の研究者は、残りのタスクに1種類のデータを活用することを提案し、パフォーマンスの向上を示した。
しかしながら、これらのモデルは、ユーザ(イテム)属性の不完全性を無視したり、単純なモデルによる2つのタスクの相関を考慮し、これら2つのタスクの最適下性能を導いた。
そこで本稿では,これら2つのタスクを属性付き2部グラフで定義し,共同項目推薦と属性推定のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
AGCNのキーとなる考え方は、反復的に2つの部分を実行することである。
1) 前回学習した属性値を用いたグラフ埋め込みパラメータの学習
2) グラフ埋め込み学習を改善するために、おおよそ更新された属性値を属性グラフに戻す。
そのため、AGCNは、与えられた属性と推定属性の両方を組み込むことで、グラフ埋め込み学習パラメータを適応的に調整し、2つのタスクを洗練するために弱教師付き情報を提供する。
3つの実世界のデータセットの広範な実験結果から,提案モデルの有効性が明らかとなった。
関連論文リスト
- Enhancing User Intent Capture in Session-Based Recommendation with
Attribute Patterns [77.19390850643944]
周波数属性パターン拡張変換器(FAPAT)を提案する。
FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。
FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
論文 参考訳(メタデータ) (2023-12-23T03:28:18Z) - IA-GCN: Interactive Graph Convolutional Network for Recommendation [12.89144148992278]
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) - 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) - QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query
Attribute Value Extraction [57.56700153507383]
本稿では,QUEACOというEコマース検索におけるクエリ属性値の統一抽出システムを提案する。
NER フェーズでは、QUEACO は教師-学生ネットワークを採用し、強くラベル付けされたデータに基づいてトレーニングされた教師ネットワークが擬似ラベルを生成する。
AVN フェーズでは、弱いラベル付けされたクエリ・ツー・アトリビュート・ビヘイビア・データを利用して、クエリーから表層属性値の正規化を行い、製品から標準形式へと変換する。
論文 参考訳(メタデータ) (2021-08-19T03:24:23Z) - Attribute-aware Explainable Complementary Clothing Recommendation [37.30129304097086]
本研究は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンダ(AFRec)を提案して取り組むことを目的とする。
AFRecレコメンダは、各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することで、服の互換性を評価する。
属性は2つのファッションアイテム間のブリッジとして機能し、そこでは属性間の学習された互換性を通じて、一対のアイテムの親和性を定量化する。
論文 参考訳(メタデータ) (2021-07-04T14:56:07Z) - Neural Graph Matching based Collaborative Filtering [13.086302251856756]
属性相互作用の2つの異なるタイプ、内部相互作用とクロス相互作用を識別する。
既存のモデルはこれら2種類の属性相互作用を区別しない。
ニューラルグラフマッチングに基づく協調フィルタリングモデル(GMCF)を提案する。
我々のモデルは最先端のモデルより優れている。
論文 参考訳(メタデータ) (2021-05-10T01:51:46Z) - 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) - Node Attribute Completion in Knowledge Graphs with Multi-Relational
Propagation [14.58440933068]
我々のアプローチは、知識グラフを横断して情報を伝達することで、欠落した属性の値を暗示する。
これは、ノードと属性のタイプとの関係に応じて、あるノード属性を別のノード属性から予測するために回帰関数を使用する。
論文 参考訳(メタデータ) (2020-11-10T18:36:33Z) - 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) - Adaptive Attentional Network for Few-Shot Knowledge Graph Completion [16.722373937828117]
Few-shot Knowledge Graph (KG) の完成は、現在の研究の焦点であり、各タスクは、数少ない参照エンティティペアを考えると、関係の見えない事実をクエリすることを目的としている。
最近の試みでは、エンティティと参照の静的表現を学習し、それらの動的特性を無視してこの問題を解決している。
本研究は,適応実体と参照表現を学習することにより,数ショットのKG補完のための適応的注意ネットワークを提案する。
論文 参考訳(メタデータ) (2020-10-19T16:27:48Z)
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。