論文の概要: div2vec: Diversity-Emphasized Node Embedding
- arxiv url: http://arxiv.org/abs/2009.09588v1
- Date: Mon, 21 Sep 2020 02:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 05:52:56.253538
- Title: div2vec: Diversity-Emphasized Node Embedding
- Title(参考訳): div2vec: 多様性を強調したノード埋め込み
- Authors: Jisu Jeong, Jeong-Min Yun, Hongi Keam, Young-Jin Park, Zimin Park,
Junki Cho
- Abstract要約: 本稿では,ランダムウォークに基づく教師なし学習手法であるdiv2vecの多様性強調ノード埋め込みを提案する。
MovieLensデータセットを用いた実験により,提案手法は精度と多様性の両面で推奨性能を向上することが示された。
- 参考スコア(独自算出の注目度): 3.808358558504819
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, the interest of graph representation learning has been rapidly
increasing in recommender systems. However, most existing studies have focused
on improving accuracy, but in real-world systems, the recommendation diversity
should be considered as well to improve user experiences. In this paper, we
propose the diversity-emphasized node embedding div2vec, which is a random
walk-based unsupervised learning method like DeepWalk and node2vec. When
generating random walks, DeepWalk and node2vec sample nodes of higher degree
more and nodes of lower degree less. On the other hand, div2vec samples nodes
with the probability inversely proportional to its degree so that every node
can evenly belong to the collection of random walks. This strategy improves the
diversity of recommendation models. Offline experiments on the MovieLens
dataset showed that our new method improves the recommendation performance in
terms of both accuracy and diversity. Moreover, we evaluated the proposed model
on two real-world services, WATCHA and LINE Wallet Coupon, and observed the
div2vec improves the recommendation quality by diversifying the system.
- Abstract(参考訳): 近年,レコメンダシステムにおいて,グラフ表現学習への関心が急速に高まっている。
しかし,既存のほとんどの研究は精度の向上に重点を置いているが,現実のシステムでは,ユーザエクスペリエンスの向上だけでなく,レコメンデーションの多様性も考慮すべきである。
本稿では,DeepWalk や node2vec のようなランダムなウォークに基づく教師なし学習手法である div2vec の多様性強調ノード埋め込みを提案する。
ランダムウォークを生成する場合、DeepWalkとnode2vecサンプルノードはより多く、より低いノードはより少ない。
一方、div2vecは、各ノードがランダムウォークのコレクションに均等に属せるように、その次数に逆比例する確率のノードをサンプリングする。
この戦略はレコメンデーションモデルの多様性を改善する。
MovieLensデータセットのオフライン実験により,提案手法は精度と多様性の両面で推奨性能を改善した。
さらに,提案モデルであるwatchaとline wallet couponの評価を行い,div2vecがシステム多様化によりレコメンデーション品質を向上させることを観測した。
関連論文リスト
- Denoising and Selecting Pseudo-Heatmaps for Semi-Supervised Human Pose
Estimation [38.97427474379367]
ラベルのないデータから学習するターゲットとして,信頼度の高い擬似熱マップを生成するための認知スキームを導入する。
評価された学生間の不確実性によって導かれる擬似熱マップから学習対象を選択する。
提案手法は,従来の半教師付きポーズ推定装置よりも優れていた。
論文 参考訳(メタデータ) (2023-09-29T19:17:30Z) - Self-Supervised Monocular Depth Estimation by Direction-aware Cumulative
Convolution Network [80.19054069988559]
自己教師付き単眼深度推定は, 方向感度と環境依存性を示す。
本稿では2つの側面において深度表現を改善する方向対応累積畳み込みネットワーク(DaCCN)を提案する。
実験の結果,提案手法は広く使用されている3つのベンチマークにおいて大幅な改善が得られた。
論文 参考訳(メタデータ) (2023-08-10T14:32:18Z) - NODDLE: Node2vec based deep learning model for link prediction [0.0]
我々はNODDLE(NOde2vec anD Deep Learning mEthodの統合)を提案する。
実験結果から, この手法は, 従来のソーシャル・ネットワーク・データセットの手法よりも優れた結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-05-25T18:43:52Z) - STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。
最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。
負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
論文 参考訳(メタデータ) (2023-01-25T03:21:42Z) - Weighted Ensemble Self-Supervised Learning [67.24482854208783]
組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。
我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。
提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
論文 参考訳(メタデータ) (2022-11-18T02:00:17Z) - D2RLIR : an improved and diversified ranking function in interactive
recommendation systems based on deep reinforcement learning [0.3058685580689604]
本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。
提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
論文 参考訳(メタデータ) (2021-10-28T13:11:29Z) - Revisiting SVD to generate powerful Node Embeddings for Recommendation
Systems [3.388509725285237]
ユーザとアイテムの生成を埋め込むために,隣接行列の特異値分解(SVD)を再検討する。
これらの埋め込みの上に2層ニューラルネットワークを使用して、ユーザとイテムのペア間の関係を学習する。
GRLにおける高次学習の成功に触発されて,SVDの2ホップ隣人を含む手法の拡張を提案する。
論文 参考訳(メタデータ) (2021-10-05T20:41:21Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳(メタデータ) (2021-01-06T03:05:37Z) - Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。
補助的自己監督タスクは、自己識別によるノード表現学習を強化する。
3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文 参考訳(メタデータ) (2020-10-21T06:35:26Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳(メタデータ) (2020-09-01T16:52:51Z)
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。