論文の概要: Overcoming Data Sparsity in Group Recommendation

• arxiv url: http://arxiv.org/abs/2010.00813v1
• Date: Fri, 2 Oct 2020 07:11:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 02:36:52.334888
• Title: Overcoming Data Sparsity in Group Recommendation
• Title（参考訳）: グループレコメンデーションにおけるデータスパリティの克服
• Authors: Hongzhi Yin, Qinyong Wang, Kai Zheng, Zhixu Li, Xiaofang Zhou
• Abstract要約: グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
• 参考スコア（独自算出の注目度）: 52.00998276970403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It has been an important task for recommender systems to suggest satisfying activities to a group of users in people's daily social life. The major challenge in this task is how to aggregate personal preferences of group members to infer the decision of a group. Conventional group recommendation methods applied a predefined strategy for preference aggregation. However, these static strategies are too simple to model the real and complex process of group decision-making, especially for occasional groups which are formed ad-hoc. Moreover, group members should have non-uniform influences or weights in a group, and the weight of a user can be varied in different groups. Therefore, an ideal group recommender system should be able to accurately learn not only users' personal preferences but also the preference aggregation strategy from data. In this paper, we propose a novel end-to-end group recommender system named CAGR (short for Centrality Aware Group Recommender"), which takes Bipartite Graph Embedding Model (BGEM), the self-attention mechanism and Graph Convolutional Networks (GCNs) as basic building blocks to learn group and user representations in a unified way. Specifically, we first extend BGEM to model group-item interactions, and then in order to overcome the limitation and sparsity of the interaction data generated by occasional groups, we propose a self-attentive mechanism to represent groups based on the group members. In addition, to overcome the sparsity issue of user-item interaction data, we leverage the user social networks to enhance user representation learning, obtaining centrality-aware user representations. We create three large-scale benchmark datasets and conduct extensive experiments on them. The experimental results show the superiority of our proposed CAGR by comparing it with state-of-the-art group recommender models.
• Abstract（参考訳）: 日常生活におけるユーザグループへの満足度向上を推奨するシステムにとって,これは重要な課題である。 このタスクにおける大きな課題は、グループメンバーの個人的な好みを集約してグループの決定を推測する方法である。 従来のグループレコメンデーション手法は、優先集約のための事前定義された戦略を適用した。 しかし、これらの静的戦略は、特に時折アドホックを形成するグループに対して、グループの意思決定の現実的かつ複雑なプロセスをモデル化するには、あまりにも単純である。 さらに、グループメンバーはグループ内で一様でない影響や重みを持つべきであり、ユーザの重みは異なるグループで異なることができる。 したがって、理想的なグループ推薦システムは、ユーザの個人の好みだけでなく、データから好みの集約戦略を正確に学習できるべきである。 本稿では,cagr (centrality aware group recommender の略) という新しいエンド・ツー・エンドのグループレコメンダシステムを提案する。このシステムでは,2部グラフ埋め込みモデル (bgem) と自己アテンション機構,グラフ畳み込みネットワーク (gcns) を基本構成要素として,グループとユーザ表現を統一的に学習する。 具体的には,まずbgemをグループとテーマの相互作用のモデル化に拡張し,次いで,グループによって生成されたインタラクションデータの制限とスパーシティを克服するために,グループメンバに基づくグループを表現する自己着信機構を提案する。 また,ユーザ間インタラクションデータのスパーシティ問題を克服するために,ユーザソーシャルネットワークを活用したユーザ表現学習の強化,集中性対応型ユーザ表現の獲得を行った。 大規模ベンチマークデータセットを3つ作成し,広範な実験を行います。 実験の結果,提案したCAGRを最先端グループ推薦モデルと比較し,優位性を示した。

関連論文リスト

• AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
  グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
  論文  参考訳（メタデータ） (2024-09-04T10:03:09Z)
• Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation [42.92141160362361]
  IGRec (Interest-based Group enhanced Recommendation) を提案する。 公開されている3つのデータセットについて広範な実験を行う。 その結果、IGRecはデータ疎結合問題を効果的に緩和し、興味に基づくグループ表現でレコメンダシステムを強化することができることがわかった。
  論文  参考訳（メタデータ） (2023-11-16T05:23:53Z)
• Multi-Granularity Attention Model for Group Recommendation [7.764789596492022]
  グループレコメンデーションは、共有された興味、好み、特徴に基づいて、ユーザーグループにパーソナライズされたレコメンデーションを提供する。 本稿では、グループメンバーの潜伏傾向を解明し、推薦ノイズを軽減するために、MGAM(Multi-Granularity Attention Model)を提案する。 提案手法は,複数の粒度にわたるグループ推薦ノイズを効果的に低減し,個人の興味を包括的に学習する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:44Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。