Fugu-MT 論文翻訳(概要): Embedding Ranking-Oriented Recommender System Graphs

論文の概要: Embedding Ranking-Oriented Recommender System Graphs

arxiv url: http://arxiv.org/abs/2007.16173v1
Date: Fri, 31 Jul 2020 16:56:54 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 06:22:50.033491
Title: Embedding Ranking-Oriented Recommender System Graphs
Title（参考訳）: ランキング指向推薦システムグラフの埋め込み
Authors: Taher Hekmatfar, Saman Haratizadeh, Sama Goliaei
Abstract要約: グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
参考スコア（独自算出の注目度）: 10.74267520911262
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph-based recommender systems (GRSs) analyze the structural information in the graphical representation of data to make better recommendations, especially when the direct user-item relation data is sparse. Ranking-oriented GRSs that form a major class of recommendation systems, mostly use the graphical representation of preference (or rank) data for measuring node similarities, from which they can infer a recommendation list using a neighborhood-based mechanism. In this paper, we propose PGRec, a novel graph-based ranking-oriented recommendation framework. PGRec models the preferences of the users over items, by a novel graph structure called PrefGraph. This graph is then exploited by an improved embedding approach, taking advantage of both factorization and deep learning methods, to extract vectors representing users, items, and preferences. The resulting embedding are then used for predicting users' unknown pairwise preferences from which the final recommendation lists are inferred. We have evaluated the performance of the proposed method against the state of the art model-based and neighborhood-based recommendation methods, and our experiments show that PGRec outperforms the baseline algorithms up to 3.2% in terms of NDCG@10 in different MovieLens datasets.
Abstract（参考訳）: グラフベースレコメンダシステム(grss)は、データのグラフィカル表現における構造情報を解析し、特に直接ユーザ・テーマ関係データがスパースである場合に、より優れたレコメンデーションを行う。主要なレコメンデーションシステムを構成するランク指向のGRSは、主にノードの類似度を測定するために好み(またはランク)データのグラフィカルな表現を使い、そこから近隣のメカニズムを使ってレコメンデーションリストを推測することができる。本稿では,グラフベースの新しいランク指向推薦フレームワークであるPGRecを提案する。 PGRecは、PrefGraphと呼ばれる新しいグラフ構造によって、アイテムよりもユーザの好みをモデル化する。このグラフは、要素化と深層学習の両方の手法を利用して、ユーザ、アイテム、嗜好を表すベクトルを抽出する改良された埋め込みアプローチによって活用される。結果の埋め込みは、最終的なレコメンデーションリストが推測されるユーザの未知のペアワイズ選好を予測するために使用される。本研究では,提案手法の性能評価を行い,pgrecが,映画レンスデータセットのndcg@10において,ベースラインアルゴリズムを最大3.2%上回ることを示した。

関連論文リスト

Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
論文参考訳（メタデータ） (2023-11-30T11:49:33Z)
Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文参考訳（メタデータ） (2023-11-20T15:01:33Z)
Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。これらのグラフモデルと従来の協調フィルタリングモデルを比較する。ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文参考訳（メタデータ） (2023-08-01T09:31:44Z)
Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文参考訳（メタデータ） (2022-10-22T17:29:34Z)
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)
Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
論文参考訳（メタデータ） (2021-09-20T14:42:39Z)
SiReN: Sign-Aware Recommendation Using Graph Neural Networks [6.739000442575012]
我々は,GNNモデルに基づく新しいサイン・アウェア・レコメンデータシステムSiReNを提案する。 SiReNは、最先端のNE支援レコメンデーションメソッドを一貫して上回っている。
論文参考訳（メタデータ） (2021-08-19T15:07:06Z)
Localized Graph Collaborative Filtering [20.868562372148677]
推薦のためのGNNベースのCFメソッドを構築するための新しい視点を紹介する。 LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。各種データセットの実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。
論文参考訳（メタデータ） (2021-08-10T06:48:32Z)
Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文参考訳（メタデータ） (2021-05-13T14:50:45Z)
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)
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)

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。