論文の概要: Basket Recommendation with Multi-Intent Translation Graph Neural Network

• arxiv url: http://arxiv.org/abs/2010.11419v1
• Date: Thu, 22 Oct 2020 03:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 07:36:32.776429
• Title: Basket Recommendation with Multi-Intent Translation Graph Neural Network
• Title（参考訳）: 多成分翻訳グラフニューラルネットワークによるバスケット推薦
• Authors: Zhiwei Liu, Xiaohan Li, Ziwei Fan, Stephen Guo, Kannan Achan, and Philip S. Yu
• Abstract要約: バスケットボールレコメンデーション(BR)は、現在のバスケットにアイテムのランキングリストを推薦することである。 textbfMulti-textbfIntent textbfTranslation textbfGraph textbfNeural textbfNetwork(textbfMITGNN)という新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 59.00550319853681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of basket recommendation~(BR) is to recommend a ranking list of items to the current basket. Existing methods solve this problem by assuming the items within the same basket are correlated by one semantic relation, thus optimizing the item embeddings. However, this assumption breaks when there exist multiple intents within a basket. For example, assuming a basket contains \{\textit{bread, cereal, yogurt, soap, detergent}\} where \{\textit{bread, cereal, yogurt}\} are correlated through the "breakfast" intent, while \{\textit{soap, detergent}\} are of "cleaning" intent, ignoring multiple relations among the items spoils the ability of the model to learn the embeddings. To resolve this issue, it is required to discover the intents within the basket. However, retrieving a multi-intent pattern is rather challenging, as intents are latent within the basket. Additionally, intents within the basket may also be correlated. Moreover, discovering a multi-intent pattern requires modeling high-order interactions, as the intents across different baskets are also correlated. To this end, we propose a new framework named as \textbf{M}ulti-\textbf{I}ntent \textbf{T}ranslation \textbf{G}raph \textbf{N}eural \textbf{N}etwork~({\textbf{MITGNN}}). MITGNN models $T$ intents as tail entities translated from one corresponding basket embedding via $T$ relation vectors. The relation vectors are learned through multi-head aggregators to handle user and item information. Additionally, MITGNN propagates multiple intents across our defined basket graph to learn the embeddings of users and items by aggregating neighbors. Extensive experiments on two real-world datasets prove the effectiveness of our proposed model on both transductive and inductive BR. The code is available online at https://github.com/JimLiu96/MITGNN.
• Abstract（参考訳）: basket recommendation~(br)の問題は、現在のバスケットにアイテムのランキングリストを推奨することだ。 既存の手法では、同じバスケット内のアイテムが1つの意味的関係によって相関していると仮定し、アイテムの埋め込みを最適化することでこの問題を解決している。 しかし、この仮定はバスケット内に複数の意図が存在する場合に破られる。 例えば、バスケットに \{\textit{bread, cereal, sereal, soap, detergent}\} を含むと仮定すると、 \{\textit{bread, cereal, yogurt}\} は "breakfast" インテントを通じて相関するが、 \{\textit{soap, detergent}\} は "cleaning"インテントであり、アイテム間の複数の関係を無視しているため、埋め込みを学ぶためのモデルの能力を損なう。 この問題を解決するには、バスケット内の意図を発見する必要がある。 しかし、インテントがバスケット内に潜んでいるため、マルチインテントパターンの検索はかなり難しい。 また、バスケット内の意図も相関することがある。 さらに、異なるバスケット間のインテントも相関するため、マルチインテントパターンの発見には高次のインタラクションをモデル化する必要がある。 この目的のために、新しいフレームワークを提案する: \textbf{M}ulti-\textbf{I}ntent \textbf{T}ranslation \textbf{G}raph \textbf{N}eural \textbf{N}etwork~({\textbf{MITGNN}})。 mitgnnは$t$関係ベクトルを介して対応するバスケット埋め込みから翻訳された末尾エンティティとして$t$インテントをモデル化する。 関係ベクトルは、ユーザ情報とアイテム情報を扱うマルチヘッドアグリゲータを通して学習される。 さらに、mitgnnは定義済みのバスケットグラフにまたがって複数のインテントを伝搬し、隣人を集約することでユーザとアイテムの埋め込みを学ぶ。 実世界の2つのデータセットに対する大規模な実験により,提案モデルの有効性が証明された。 コードはhttps://github.com/JimLiu96/MITGNNで公開されている。

関連論文リスト

• Basket-Enhanced Heterogenous Hypergraph for Price-Sensitive Next Basket Recommendation [15.226072390133846]
  Next Basket Recommendation (NBR)は、ユーザーが一緒に購入する可能性のあるアイテムの組み合わせを予測する新しいタイプのレコメンデーションシステムである。 既存のNBRモデルは、価格である重要な要素を見落としていることが多く、アイテムとバスケットボールのインタラクションを完全に捉えていない。 BDHH(Basket-augmented Dynamic Heterogeneous Hypergraph)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T04:31:22Z)
• Relation Rectification in Diffusion Model [64.84686527988809]
  本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。 異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。 軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
  論文  参考訳（メタデータ） (2024-03-29T15:54:36Z)
• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping [59.52585406731807]
  次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。 我々は、次の新しいバスケットレコメンデーション(NNBR)タスク、すなわち、新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。
  論文  参考訳（メタデータ） (2023-08-02T17:52:37Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network [64.73281115977576]
  バスケット内のレコメンデーションは、ユーザのバスケットに対する意図が重要となるユーザの探索時間を短縮する。 グラフ畳み込みニューラルネットワークに基づく textbfBasConv という新しいフレームワークを提案する。 私たちのBasConvモデルには、3種類のノード用に特別に設計された3種類のアグリゲータがあります。
  論文  参考訳（メタデータ） (2020-01-14T16:27:32Z)

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。