論文の概要: Dynamic Graph Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2101.02844v1
• Date: Fri, 8 Jan 2021 04:16:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 11:09:18.190252
• Title: Dynamic Graph Collaborative Filtering
• Title（参考訳）: 動的グラフ協調フィルタリング
• Authors: Xiaohan Li, Mengqi Zhang, Shu Wu, Zheng Liu, Liang Wang, Philip S. Yu
• Abstract要約: 動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
• 参考スコア（独自算出の注目度）: 64.87765663208927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic recommendation is essential for modern recommender systems to provide real-time predictions based on sequential data. In real-world scenarios, the popularity of items and interests of users change over time. Based on this assumption, many previous works focus on interaction sequences and learn evolutionary embeddings of users and items. However, we argue that sequence-based models are not able to capture collaborative information among users and items directly. Here we propose Dynamic Graph Collaborative Filtering (DGCF), a novel framework leveraging dynamic graphs to capture collaborative and sequential relations of both items and users at the same time. We propose three update mechanisms: zero-order 'inheritance', first-order 'propagation', and second-order 'aggregation', to represent the impact on a user or item when a new interaction occurs. Based on them, we update related user and item embeddings simultaneously when interactions occur in turn, and then use the latest embeddings to make recommendations. Extensive experiments conducted on three public datasets show that DGCF significantly outperforms the state-of-the-art dynamic recommendation methods up to 30. Our approach achieves higher performance when the dataset contains less action repetition, indicating the effectiveness of integrating dynamic collaborative information.
• Abstract（参考訳）: 逐次データに基づくリアルタイム予測を提供するために,最新のレコメンデータシステムでは動的レコメンデーションが不可欠である。 現実のシナリオでは、アイテムの人気とユーザの興味は時間とともに変化する。 この仮定に基づいて、以前の多くの作業はインタラクションシーケンスに焦点を当て、ユーザとアイテムの進化的な埋め込みを学ぶ。 しかし、シーケンスベースモデルでは、ユーザとアイテム間の協調的な情報を直接キャプチャできないと論じている。 本稿では,動的グラフを活用した新しいフレームワークである動的グラフ協調フィルタリング(dgcf)を提案する。 我々は,新しいインタラクションが発生した場合のユーザやアイテムへの影響を表現するために,ゼロオーダーの'継承',一階の'伝播',二階の'集約'という3つの更新メカニズムを提案する。 これらに基づいて,インタラクションが発生すると,関連するユーザとアイテムの埋め込みを同時に更新し,最新の埋め込みを使用してレコメンデーションを行う。 3つの公開データセットで実施された大規模な実験は、DGCFが最先端のダイナミックレコメンデーション手法を最大30.5%で大幅に上回っていることを示している。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。

関連論文リスト

• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query Product Evolutionary Graph [18.826901341496143]
  時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。 本稿では,新しいイベント予測フレームワークを提案する。 既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-12T19:27:56Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• 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)
• Modeling Dynamic Attributes for Next Basket Recommendation [60.72738829823519]
  このような動的属性のモデリングはレコメンデーション性能を高めることができると我々は主張する。 動的属性をモデル化する新しい注意ネットワーク(AnDa)を提案する。
  論文  参考訳（メタデータ） (2021-09-23T21:31:17Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。