論文の概要: DGTN: Dual-channel Graph Transition Network for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2009.10002v1
• Date: Mon, 21 Sep 2020 16:29:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 05:25:24.347876
• Title: DGTN: Dual-channel Graph Transition Network for Session-based Recommendation
• Title（参考訳）: DGTN:セッションベースレコメンデーションのためのデュアルチャネルグラフ遷移ネットワーク
• Authors: Yujia Zheng, Siyi Liu, Zekun Li, Shu Wu
• Abstract要約: 本稿では,DGTN(Dual-channel Graph Transition Network)という新しい手法を提案し,対象セッションだけでなく,近隣セッションの項目遷移をモデル化する。 実世界のデータセットの実験では、DGTNは他の最先端の手法よりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 19.345913200934902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of session-based recommendation is to predict user actions based on anonymous sessions. Recent research mainly models the target session as a sequence or a graph to capture item transitions within it, ignoring complex transitions between items in different sessions that have been generated by other users. These item transitions include potential collaborative information and reflect similar behavior patterns, which we assume may help with the recommendation for the target session. In this paper, we propose a novel method, namely Dual-channel Graph Transition Network (DGTN), to model item transitions within not only the target session but also the neighbor sessions. Specifically, we integrate the target session and its neighbor (similar) sessions into a single graph. Then the transition signals are explicitly injected into the embedding by channel-aware propagation. Experiments on real-world datasets demonstrate that DGTN outperforms other state-of-the-art methods. Further analysis verifies the rationality of dual-channel item transition modeling, suggesting a potential future direction for session-based recommendation.
• Abstract（参考訳）: セッションベースのレコメンデーションのタスクは、匿名セッションに基づいてユーザーアクションを予測することである。 最近の研究では、ターゲットセッションをシーケンスまたはグラフとしてモデル化し、他のユーザが生成した異なるセッション内のアイテム間の複雑な遷移を無視している。 これらのアイテムの遷移には、潜在的なコラボレーティブな情報が含まれ、同じような振る舞いパターンを反映しています。 本稿では,2チャネルグラフ遷移ネットワーク(DGTN)という新しい手法を提案し,対象セッションだけでなく,近隣セッションの項目遷移をモデル化する。 具体的には、ターゲットセッションとその隣人(類似)セッションを1つのグラフに統合する。 そして、チャネル認識伝搬により、遷移信号を埋め込みに明示的に注入する。 実世界のデータセットに関する実験では、dgtnは他の最先端のメソッドよりも優れています。 さらに,2チャンネルの項目遷移モデリングの合理性を検証し,セッションベースレコメンデーションの今後の方向性を示唆する。

関連論文リスト

• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
  セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。 G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。 2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
  論文  参考訳（メタデータ） (2022-03-12T15:44:03Z)
• Transition Relation Aware Self-Attention for Session-based Recommendation [11.202585147927122]
  セッションベースのレコメンデーションは、現実世界のシーンでは難しい問題です。 最近のグラフニューラルネットワーク(GNN)は、セッションベースの推薦のための最先端の手法として登場した。 本稿では,セッションベースの推薦のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-12T10:54:34Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• 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)
• Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
  そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。 また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。 実験の結果,提案手法は従来の手法よりも有効であることがわかった。
  論文  参考訳（メタデータ） (2021-07-08T13:10:42Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• 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。