Fugu-MT 論文翻訳(概要): Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks

論文の概要: Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks

arxiv url: http://arxiv.org/abs/2009.03455v2
Date: Tue, 1 Dec 2020 21:59:06 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 02:30:43.689118
Title: Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks
Title（参考訳）: 階層型グラフニューラルネットワークを用いたレコメンダシステムのコールドスタート対応
Authors: Ivan Maksimov, Rodrigo Rivera-Castro and Evgeny Burnaev
Abstract要約: 本稿では,アイテム階層グラフを用いたグラフニューラルネットワークレコメンデータシステムと,アイテムのコールドスタートケースを処理するためのbespokeアーキテクチャを提案する。提案手法は,計算時間に比較して,最先端の予測精度を向上する。
参考スコア（独自算出の注目度）: 13.435291871461088
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recommender systems have become an essential instrument in a wide range of industries to personalize the user experience. A significant issue that has captured both researchers' and industry experts' attention is the cold start problem for new items. In this work, we present a graph neural network recommender system using item hierarchy graphs and a bespoke architecture to handle the cold start case for items. The experimental study on multiple datasets and millions of users and interactions indicates that our method achieves better forecasting quality than the state-of-the-art with a comparable computational time.
Abstract（参考訳）: レコメンダシステムは,ユーザエクスペリエンスをパーソナライズする上で,幅広い産業において不可欠な手段となっている。研究者と業界の専門家の両方の注意を引いた重要な問題は、新しいアイテムのコールドスタート問題である。本稿では,アイテム階層グラフを用いたグラフニューラルネットワーク推薦システムと,アイテムのコールドスタートケースを処理するための独自アーキテクチャを提案する。複数のデータセットと数百万のユーザとインタラクションに関する実験的研究は、我々の手法が同等の計算時間で最先端の予測品質を達成することを示す。

関連論文リスト

Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
論文参考訳（メタデータ） (2024-10-10T06:48:27Z)
Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2024-03-08T05:23:55Z)
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)
Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems [1.2277343096128712]
本稿では,グラフニューラルネットワークに基づくリコメンデータシステムに関する最近の文献をレビューする。我々は、グラフニューラルネットワークをレコメンデーションシステムに組み込むことの動機を探る。
論文参考訳（メタデータ） (2023-11-10T12:11:36Z)
Application of Graph Neural Networks and graph descriptors for graph classification [0.0]
グラフ表現学習のデファクト標準ディープラーニング技術として登場したグラフニューラルネットワーク(GNN)に注目した。我々は、公正な評価実験プロトコルを設計し、適切なデータセットの収集を選択する。我々は多くの結論に達し、新しいアルゴリズムの性能と品質に新たな光を当てた。
論文参考訳（メタデータ） (2022-11-07T16:25:22Z)
A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文参考訳（メタデータ） (2022-06-17T08:32:43Z)
Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。特権グラフ蒸留モデル(PGD)を提案する。提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
論文参考訳（メタデータ） (2021-05-31T14:05:27Z)
A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文参考訳（メタデータ） (2021-04-27T08:03:52Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。これらの作業で使用されるデータセットを紹介します。
論文参考訳（メタデータ） (2020-02-28T02:26:30Z)
Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks [18.81183804581575]
我々は、一般的に使われている相互作用グラフではなく属性グラフを利用して、新しいフレームワークAttribute Graph Neural Networks (AGNN) を開発した。 AGNNは、拡張された変分自動エンコーダ構造を用いて属性の分布を学習することにより、寒冷なユーザ/イテムに対する好みの埋め込みを生成することができる。そこで本研究では,周辺地域における様々なモーダルの属性を効果的に集約するために,新しいグラフニューラルネットワーク変種であるgate-GNNを提案する。
論文参考訳（メタデータ） (2019-12-28T04:07:55Z)

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。