論文の概要: Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball

• arxiv url: http://arxiv.org/abs/2101.04852v2
• Date: Fri, 29 Jan 2021 20:41:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-03 21:50:22.886721
• Title: Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball
• Title（参考訳）: Poincar\e Ballにおける知識強化型トップK勧告
• Authors: Chen Ma, Liheng Ma, Yingxue Zhang, Haolun Wu, Xue Liu and Mark Coates
• Abstract要約: 本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。 双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。 提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2～16%,既存モデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 33.90069123451581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized recommender systems are increasingly important as more content and services become available and users struggle to identify what might interest them. Thanks to the ability for providing rich information, knowledge graphs (KGs) are being incorporated to enhance the recommendation performance and interpretability. To effectively make use of the knowledge graph, we propose a recommendation model in the hyperbolic space, which facilitates the learning of the hierarchical structure of knowledge graphs. Furthermore, a hyperbolic attention network is employed to determine the relative importances of neighboring entities of a certain item. In addition, we propose an adaptive and fine-grained regularization mechanism to adaptively regularize items and their neighboring representations. Via a comparison using three real-world datasets with state-of-the-art methods, we show that the proposed model outperforms the best existing models by 2-16% in terms of NDCG@K on Top-K recommendation.
• Abstract（参考訳）: コンテンツやサービスが増えるにつれて、パーソナライズされたリコメンデーションシステムがますます重要になってきています。 豊富な情報を提供する能力のおかげで、推薦性能と解釈可能性を高めるために知識グラフ(KG)が組み込まれている。 知識グラフを効果的に利用するために,双曲空間におけるレコメンデーションモデルを提案し,知識グラフの階層構造の学習を容易にする。 さらに、ある項目の隣接エンティティの相対的重要性を決定するために双曲的注意ネットワークを用いる。 さらに,項目とその隣接表現を適応的に規則化する適応的かつ細粒度の正則化機構を提案する。 実世界の3つのデータセットと最先端の手法との比較により,提案手法はTop-KレコメンデーションのNDCG@Kにおいて,最高の既存モデルを2-16%上回っていることを示す。

関連論文リスト

• A Personalized Recommender System Based-on Knowledge Graph Embeddings [0.0]
  近年、知識グラフを情報モデリングの形式として利用することへの関心が高まっており、リコメンダシステムへの採用が増加している。 関連するユーザと関連するアイテムを知識グラフに組み込むことで、これらのシステムはそれらの間の暗黙のつながりをよりよく捉え、より正確なレコメンデーションを提供することができる。
  論文  参考訳（メタデータ） (2023-07-20T08:14:06Z)
• Ripple Knowledge Graph Convolutional Networks For Recommendation Systems [10.472910821647703]
  本稿では,各ユーザの好みを動的に分析し,適切な項目を推薦する,RKGCNというエンド・ツー・エンドのディープラーニングモデルを提案する。 アイテム側とユーザ側の知識グラフを組み合わせて表現を強化し、知識グラフにおける豊富な情報の利用を最大化する。
  論文  参考訳（メタデータ） (2023-05-02T01:35:57Z)
• Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
  我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。 具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。 我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
  論文  参考訳（メタデータ） (2022-05-02T15:24:53Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
  本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。 いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
  論文  参考訳（メタデータ） (2021-09-20T14:42:39Z)
• Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation [36.95691423601792]
  我々は,パーソナライズされたレコメンデーション(CG-KGR)のための協調指導を用いた注意深い知識認識型畳み込みネットワークを提案する。 CG-KGRは知識を意識した新しい推薦モデルであり、KGとユーザ・イテム相互作用の豊富でコヒーレントな学習を可能にする。 2つのレコメンデーションタスクで4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-09-05T11:55:20Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。