論文の概要: A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention

• arxiv url: http://arxiv.org/abs/2006.10233v1
• Date: Thu, 18 Jun 2020 01:53:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 14:16:35.522967
• Title: A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
• Title（参考訳）: 属性レベル共用による知識強化推薦モデル
• Authors: Deqing Yang and Zengcun Song and Lvxin Xue and Yanghua Xiao
• Abstract要約: 本稿では,知識グラフ(KG)から抽出した項目属性を副次情報として組み込んだ知識強化レコメンデーションモデルACAMを提案する。 ACAMは属性レベルのコアテンション機構で構築され、パフォーマンス向上を実現している。 2つの現実的なデータセットに対する実験により,属性レベルのコアテンションによるユーザ表現とアイテム表現が,最先端の深層モデルよりもACAMの方が優れていることが示された。
• 参考スコア（独自算出の注目度）: 16.283718738518534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) have been widely employed in recommender systems including incorporating attention mechanism for performance improvement. However, most of existing attention-based models only apply item-level attention on user side, restricting the further enhancement of recommendation performance. In this paper, we propose a knowledge-enhanced recommendation model ACAM, which incorporates item attributes distilled from knowledge graphs (KGs) as side information, and is built with a co-attention mechanism on attribute-level to achieve performance gains. Specifically, each user and item in ACAM are represented by a set of attribute embeddings at first. Then, user representations and item representations are augmented simultaneously through capturing the correlations between different attributes by a co-attention module. Our extensive experiments over two realistic datasets show that the user representations and item representations augmented by attribute-level co-attention gain ACAM's superiority over the state-of-the-art deep models.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、パフォーマンス改善のための注意機構の導入を含む推奨システムに広く採用されている。 しかし、既存の注意に基づくモデルのほとんどは、ユーザー側にアイテムレベルの注意しか適用せず、レコメンデーションパフォーマンスのさらなる向上を制限している。 本稿では,知識グラフ(KG)から抽出した項目属性を副次情報として組み込んだ知識強化レコメンデーションモデルACAMを提案する。 具体的には、ACAMの各ユーザとアイテムは、最初は属性埋め込みのセットで表現される。 そして、ユーザ表現とアイテム表現は、異なる属性間の相関をコアテンションモジュールでキャプチャすることで同時に拡張される。 2つの現実的なデータセットに対する広範な実験により、属性レベルのコアテンションによって強化されたユーザ表現とアイテム表現が、最先端のディープモデルよりもACAMの優位性を示した。

関連論文リスト

• Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation [18.318271141864297]
  セッションベースの勧告(SBR)は、匿名セッションに基づいてユーザの次のアクションを予測する。 ほとんどのSBRモデルは、アイテム表現を学ぶために短いセッションでコンテキスト遷移に依存する。 本稿では,AttrGAUというモデルに依存しないフレームワークを提案し,既存の属性に依存しないモデルにアイテム属性のモデリングの優位性をもたらす。
  論文  参考訳（メタデータ） (2024-10-14T08:49:11Z)
• Dual Relation Mining Network for Zero-Shot Learning [48.89161627050706]
  本稿では,効果的な視覚・意味的相互作用を実現し,知識伝達のための属性間の意味的関係を学習するためのDual Relation Mining Network(DRMN)を提案する。 具体的には,多層的特徴融合により視覚情報を強化する視覚・意味的関係マイニングのためのデュアルアテンションブロック(DAB)を提案する。 セマンティック・インタラクション・トランスフォーマ(SIT)を用いて画像間の属性表現の一般化を促進する。
  論文  参考訳（メタデータ） (2024-05-06T16:31:19Z)
• Knowledge-Aware Prompt Tuning for Generalizable Vision-Language Models [64.24227572048075]
  本稿では,視覚言語モデルのためのKnowledge-Aware Prompt Tuning(KAPT)フレームワークを提案する。 我々のアプローチは、人間の知性からインスピレーションを得ており、外部知識は、通常、オブジェクトの新たなカテゴリを認識するために組み込まれています。
  論文  参考訳（メタデータ） (2023-08-22T04:24:45Z)
• A Model-Agnostic Framework for Recommendation via Interest-aware Item Embeddings [4.989653738257287]
  Interest-Aware Capsule Network (IaCN)は、関心指向のアイテム表現を直接学習するモデルに依存しないフレームワークである。 IaCNは補助的なタスクとして機能し、アイテムベースと興味ベースの両方の表現の合同学習を可能にする。 提案手法をベンチマークデータセットで評価し、異なるディープニューラルネットワークを含むさまざまなシナリオを探索する。
  論文  参考訳（メタデータ） (2023-08-17T22:40:59Z)
• DEKGCI: A double-sided recommendation model for integrating knowledge graph and user-item interaction graph [0.0]
  本稿では,新しい両面推薦モデルであるDECGCIを提案する。 ユーザ側でのユーザ表現を豊かにするために,ユーザ-イテム相互作用グラフからの高次協調信号を使用する。
  論文  参考訳（メタデータ） (2023-06-24T01:54:49Z)
• MINER: Improving Out-of-Vocabulary Named Entity Recognition from an Information Theoretic Perspective [57.19660234992812]
  NERモデルは標準のNERベンチマークで有望な性能を達成した。 近年の研究では、従来のアプローチはエンティティ参照情報に過度に依存し、OoV(out-of-vocabulary)エンティティ認識の性能が劣っていることが示されている。 我々は、情報理論の観点からこの問題を改善するための新しいNER学習フレームワークであるMINERを提案する。
  論文  参考訳（メタデータ） (2022-04-09T05:18:20Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball [33.90069123451581]
  本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。 双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。 提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2～16%,既存モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-13T03:16:50Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  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。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)
• Multi-Granularity Reference-Aided Attentive Feature Aggregation for Video-based Person Re-identification [98.7585431239291]
  ビデオベースの人物再識別は、同じ人物をビデオクリップ間でマッチングすることを目的としている。 本稿では,マルチグラニュラリティ参照属性集約モジュールMG-RAFAを提案する。 本フレームワークは,3つのベンチマークデータセット上での最先端のアブレーション性能を実現する。
  論文  参考訳（メタデータ） (2020-03-27T03:49:21Z)

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。