論文の概要: MVIN: Learning Multiview Items for Recommendation

• arxiv url: http://arxiv.org/abs/2005.12516v1
• Date: Tue, 26 May 2020 05:19:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 00:51:02.434095
• Title: MVIN: Learning Multiview Items for Recommendation
• Title（参考訳）: MVIN:レコメンデーションのためのマルチビュー項目の学習
• Authors: Chang-You Tai, Meng-Ru Wu, Yun-Wei Chu, Shao-Yu Chu, Lun-Wei Ku
• Abstract要約: ユーザとエンティティのアングルから一意に混合したビューから項目を記述したGNNベースのレコメンデーションモデルを提案する。 MovieLens-1M (ML-1M), LFM-1b 2015 (LFM-1b), Amazon-Book (AZ-book) の3つの実世界のデータセット上でMVINを評価する。 その結果、MVINはこれらの3つのデータセットで最先端の手法を大幅に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 13.16501247567924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Researchers have begun to utilize heterogeneous knowledge graphs (KGs) as auxiliary information in recommendation systems to mitigate the cold start and sparsity issues. However, utilizing a graph neural network (GNN) to capture information in KG and further apply in RS is still problematic as it is unable to see each item's properties from multiple perspectives. To address these issues, we propose the multi-view item network (MVIN), a GNN-based recommendation model which provides superior recommendations by describing items from a unique mixed view from user and entity angles. MVIN learns item representations from both the user view and the entity view. From the user view, user-oriented modules score and aggregate features to make recommendations from a personalized perspective constructed according to KG entities which incorporates user click information. From the entity view, the mixing layer contrasts layer-wise GCN information to further obtain comprehensive features from internal entity-entity interactions in the KG. We evaluate MVIN on three real-world datasets: MovieLens-1M (ML-1M), LFM-1b 2015 (LFM-1b), and Amazon-Book (AZ-book). Results show that MVIN significantly outperforms state-of-the-art methods on these three datasets. In addition, from user-view cases, we find that MVIN indeed captures entities that attract users. Figures further illustrate that mixing layers in a heterogeneous KG plays a vital role in neighborhood information aggregation.
• Abstract（参考訳）: 研究者らは、コールドスタートとスパーシリティの問題を軽減するためのレコメンデーションシステムにおいて、異種知識グラフ(KG)を補助情報として利用し始めている。 しかし、グラフニューラルネットワーク(gnn)を使用してkgで情報をキャプチャし、rsでさらに適用することは問題であり、複数の視点から各アイテムのプロパティを見ることができない。 これらの課題に対処するために,ユーザとエンティティアングルからのユニークな混合ビューからアイテムを記述することで,より優れたレコメンデーションを提供するGNNベースのレコメンデーションモデルであるMulti-viewItem Network (MVIN)を提案する。 MVINはユーザビューとエンティティビューの両方からアイテム表現を学習する。 ユーザビューからは、ユーザクリック情報を組み込んだKGエンティティに従って構築されたパーソナライズされた視点から、ユーザ指向モジュールのスコアとアグリゲーションが特徴である。 エンティティの観点からは、ミキシング層は層毎のgcn情報を対比して、kg内の内部エンティティ間相互作用から包括的な特徴を得る。 実世界の3つのデータセット、MovieLens-1M (ML-1M), LFM-1b 2015 (LFM-1b), Amazon-Book (AZ-book)についてMVINを評価した。 その結果、MVINはこれらの3つのデータセットで最先端の手法を大幅に上回っていることがわかった。 さらに、ユーザビューの場合から、MVINは実際にユーザを引き付けるエンティティをキャプチャする。 さらに、異種KGの混合層が近隣情報収集において重要な役割を果たすことを示す。

関連論文リスト

• Leveraging Entity Information for Cross-Modality Correlation Learning: The Entity-Guided Multimodal Summarization [49.08348604716746]
  Multimodal Summarization with Multimodal Output (MSMO) は、テキストと関連する画像の両方を統合するマルチモーダル要約を作成することを目的としている。 本稿では,Entity-Guided Multimodal Summarization Model (EGMS)を提案する。 我々のモデルは,BART上に構築され,共有重み付きデュアルマルチモーダルエンコーダを用いて,テキスト画像とエンティティ画像情報を並列に処理する。
  論文  参考訳（メタデータ） (2024-08-06T12:45:56Z)
• Knowledge Graph Driven Recommendation System Algorithm [9.952420935326893]
  KGLNと呼ばれる新しいグラフニューラルネットワークに基づくレコメンデーションモデルを提案する。 まず、グラフ内の個々のノード特徴をマージし、隣り合うエンティティの集約重みを調整するために、単層ニューラルネットワークを使用します。 モデルは、イテレーションを通じて単一のレイヤから複数のレイヤへと進化し、エンティティが広範囲にわたるマルチオーダー関連エンティティ情報にアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-12-01T21:50:43Z)
• Attribute-Consistent Knowledge Graph Representation Learning for Multi-Modal Entity Alignment [14.658282035561792]
  MMEA(ACK-MMEA)のための属性一貫性のある知識グラフ表現学習フレームワークを提案する。 当社のアプローチは、競合他社と比較して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-04T06:39:36Z)
• 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)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings [9.404291151696983]
  我々はMindReaderと呼ばれる新しいデータセットを導入し、アイテムとKGエンティティの両方に対して明確なユーザレーティングを提供します。 このデータセットは、当社がオープンソースとしてリリースしたオンラインインタビューアプリケーションを通じて収集されています。 グラフデータに特化して設計されたかどうかに関わらず、ほとんどのモデルでは、明示的な非イテム評価に基づいてトレーニングされた場合、推奨品質が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-08T09:41:15Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• 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)
• Generative Partial Multi-View Clustering [133.36721417531734]
  本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。 まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。 第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。