論文の概要: UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2008.02546v1
• Date: Thu, 6 Aug 2020 09:54:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:54:54.957942
• Title: UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks
• Title（参考訳）: UBER-GNN: グラフニューラルネットワークに基づくユーザベースのレコメンデーション
• Authors: Bo Huang, Ye Bi, Zhenyu Wu, Jianming Wang, Jing Xiao
• Abstract要約: 本稿では,グラフニューラルネットワーク,UBER-GNNを用いたユーザベースの埋め込み提案を提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 実際のPingでの実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。
• 参考スコア（独自算出の注目度）: 27.485553372163732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of session-based recommendation aims to predict user next actions based on session histories. Previous methods models session histories into sequences and estimate user latent features by RNN and GNN methods to make recommendations. However under massive-scale and complicated financial recommendation scenarios with both virtual and real commodities , such methods are not sufficient to represent accurate user latent features and neglect the long-term characteristics of users. To take long-term preference and dynamic interests into account, we propose a novel method, i.e. User-Based Embeddings Recommendation with Graph Neural Network, UBER-GNN for brevity. UBER-GNN takes advantage of structured data to generate longterm user preferences, and transfers session sequences into graphs to generate graph-based dynamic interests. The final user latent feature is then represented as the composition of the long-term preferences and the dynamic interests using attention mechanism. Extensive experiments conducted on real Ping An scenario show that UBER-GNN outperforms the state-of-the-art session-based recommendation methods.
• Abstract（参考訳）: セッションベースレコメンデーションの問題は,セッション履歴に基づいたユーザの次のアクションを予測することである。 従来の手法では、セッション履歴をシーケンスにモデル化し、RNNとGNNメソッドによってユーザ潜伏した特徴を推定してレコメンデーションを作成する。 しかし,仮想商品と実商品の両方を用いた大規模かつ複雑な金融レコメンデーションシナリオでは,ユーザの潜在機能を正確に表現し,ユーザの長期的な特性を無視するには不十分である。 長期的な嗜好と動的関心を考慮した新しい手法、すなわち、グラフニューラルネットワークを用いたユーザーベース埋め込みレコメンデーション、uber-gnn for brevityを提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 そして、最後のユーザ潜在機能は、注意機構を使用して、長期的な嗜好と動的関心の合成として表現される。 実際のPingで実施された大規模な実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。

関連論文リスト

• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Social Recommendation through Heterogeneous Graph Modeling of the Long-term and Short-term Preference Defined by Dynamic Periods [5.369499761777157]
  本研究では,不均一グラフにソーシャル・ネットワーク・データの動的特性を組み込むことにより,ソーシャル・レコメンデーションを提供する新しい手法を提案する。 このモデルは実世界のデータに適用され、優れた性能を主張する。
  論文  参考訳（メタデータ） (2023-12-21T21:36:43Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• 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)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-12T10:12:48Z)
• Denoising User-aware Memory Network for Recommendation [11.145186013006375]
  我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。 DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。 2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T14:39:36Z)
• Context-aware short-term interest first model for session-based recommendation [0.0]
  文脈対応短期関心第一モデル(CASIF)を提案する。 本研究の目的は,文脈と短期的関心を組み合わせることで,推薦の正確性を向上させることである。 最後に、短期的および長期的利息を最終利息として結合し、候補ベクトルによって乗算して推奨確率を得る。
  論文  参考訳（メタデータ） (2021-03-29T11:36:00Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。