論文の概要: RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2101.12457v1
• Date: Fri, 29 Jan 2021 08:08:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:22:43.005998
• Title: RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation
• Title（参考訳）: RetaGNN:ホリスティックシークエンシャルレコメンデーションのための関係性時間減衰グラフニューラルネットワーク
• Authors: Cheng Hsu, Cheng-Te Li
• Abstract要約: シーケンスレコメンデーション(SR)は、現在のアクセスされたアイテムに基づいて、ユーザーのアイテムのリストを正確に推奨することです。 本稿では,新たなディープラーニングモデルであるRelation Temporal Attentive Graph Neural Networks (RetaGNN)を提案する。
• 参考スコア（独自算出の注目度）: 11.62499965678381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation (SR) is to accurately recommend a list of items for a user based on her current accessed ones. While new-coming users continuously arrive in the real world, one crucial task is to have inductive SR that can produce embeddings of users and items without re-training. Given user-item interactions can be extremely sparse, another critical task is to have transferable SR that can transfer the knowledge derived from one domain with rich data to another domain. In this work, we aim to present the holistic SR that simultaneously accommodates conventional, inductive, and transferable settings. We propose a novel deep learning-based model, Relational Temporal Attentive Graph Neural Networks (RetaGNN), for holistic SR. The main idea of RetaGNN is three-fold. First, to have inductive and transferable capabilities, we train a relational attentive GNN on the local subgraph extracted from a user-item pair, in which the learnable weight matrices are on various relations among users, items, and attributes, rather than nodes or edges. Second, long-term and short-term temporal patterns of user preferences are encoded by a proposed sequential self-attention mechanism. Third, a relation-aware regularization term is devised for better training of RetaGNN. Experiments conducted on MovieLens, Instagram, and Book-Crossing datasets exhibit that RetaGNN can outperform state-of-the-art methods under conventional, inductive, and transferable settings. The derived attention weights also bring model explainability.
• Abstract（参考訳）: シークエンシャルレコメンデーション(SR)は、現在のアクセスしたアイテムに基づいて、ユーザのアイテムのリストを正確に推薦することである。 新規ユーザーが現実世界に継続的に到着する一方で、重要なタスクは、ユーザーやアイテムの埋め込みを再トレーニングせずに生成できる誘導的SRを持つことである。 ユーザとイテムの相互作用が極めて疎い場合、別の重要なタスクは、リッチなデータを持つあるドメインから派生した知識を別のドメインに転送可能なSRを持つことである。 本研究は,従来の,帰納的,移譲可能な設定を同時に対応させる包括的SRを提案することを目的とする。 本稿では,新しいディープラーニングモデルであるrelational temporal attentive graph neural networks (retagnn)を提案する。 RetaGNNの主なアイデアは3倍です。 まず,学習可能な重み行列がノードやエッジではなく,ユーザ,アイテム,属性間のさまざまな関係にあるユーザ-テーマペアから抽出したローカルサブグラフ上で,帰納的かつ転送可能な能力を持つために,関係性有意なgnnを訓練する。 第2に,ユーザの嗜好の長期的,短期的な時間的パターンを逐次的自己着脱機構によって符号化する。 第3に、RetaGNNのトレーニングを改善するために、関係対応型正規化用語が考案されている。 MovieLens、Instagram、およびBook-Crossingデータセットで実施された実験によると、RetaGNNは従来の、インダクティブで、転送可能な設定の下で、最先端のメソッドよりも優れたパフォーマンスを発揮する。 導出された注意重みもモデル説明可能性をもたらす。

関連論文リスト

• Towards Enhancing Relational Rules for Knowledge Graph Link Prediction [25.194465291154053]
  グラフネットワーク(GNN)は知識グラフ推論に有望であることを示している。 本稿では,新しい知識グラフ推論手法rUle eNhanced Neural Graph Network (RUN-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-10-20T10:38:28Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• 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)
• 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)
• 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)
• UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks [27.485553372163732]
  本稿では,グラフニューラルネットワーク,UBER-GNNを用いたユーザベースの埋め込み提案を提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 実際のPingでの実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-06T09:54:03Z)
• CSRN: Collaborative Sequential Recommendation Networks for News Retrieval [26.852710435482997]
  ニュースアプリが紙ベースのメディアの人気を引き継ぎ、パーソナライゼーションの絶好の機会となった。 リカレントニューラルネットワーク(RNN)ベースのシーケンシャルレコメンデーションは、ユーザの最近のブラウジング履歴を利用して将来のアイテムを予測する一般的なアプローチである。 本稿では、RNNに基づくシーケンシャルレコメンデーションとUserCFのキーアイデアを統合するためのディープニューラルネットワークのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T13:25:21Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。