論文の概要: Learning Intents behind Interactions with Knowledge Graph for Recommendation

• arxiv url: http://arxiv.org/abs/2102.07057v1
• Date: Sun, 14 Feb 2021 03:21:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:30:38.334450
• Title: Learning Intents behind Interactions with Knowledge Graph for Recommendation
• Title（参考訳）: 推薦のための知識グラフとのインタラクションの背後にある学習意図
• Authors: Xiang Wang, Tinglin Huang, Dingxian Wang, Yancheng Yuan, Zhenguang Liu, Xiangnan He, Tat-Seng Chua
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 93.08709357435991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph (KG) plays an increasingly important role in recommender systems. A recent technical trend is to develop end-to-end models founded on graph neural networks (GNNs). However, existing GNN-based models are coarse-grained in relational modeling, failing to (1) identify user-item relation at a fine-grained level of intents, and (2) exploit relation dependencies to preserve the semantics of long-range connectivity. In this study, we explore intents behind a user-item interaction by using auxiliary item knowledge, and propose a new model, Knowledge Graph-based Intent Network (KGIN). Technically, we model each intent as an attentive combination of KG relations, encouraging the independence of different intents for better model capability and interpretability. Furthermore, we devise a new information aggregation scheme for GNN, which recursively integrates the relation sequences of long-range connectivity (i.e., relational paths). This scheme allows us to distill useful information about user intents and encode them into the representations of users and items. Experimental results on three benchmark datasets show that, KGIN achieves significant improvements over the state-of-the-art methods like KGAT, KGNN-LS, and CKAN. Further analyses show that KGIN offers interpretable explanations for predictions by identifying influential intents and relational paths. The implementations are available at https://github.com/huangtinglin/Knowledge_Graph_based_Intent_Network.
• Abstract（参考訳）: 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。 最近の技術トレンドは、グラフニューラルネットワーク(gnns)を基盤としたエンドツーエンドモデルの開発である。 しかし,既存のGNNモデルでは,(1)細粒度レベルでのユーザ・イテム関係の同定に失敗し,(2)長期接続のセマンティクスを維持するために関係依存性を利用する。 本研究では,補助的項目知識を用いたユーザ・イテムインタラクションの背景にある意図を考察し,知識グラフに基づくインテントネットワーク(KGIN)という新しいモデルを提案する。 技術的には、各意図をkg関係の注意深い組み合わせとしてモデル化し、より優れたモデル能力と解釈可能性のために異なる意図の独立を奨励する。 さらに、長距離接続(すなわち関係経路)の関係列を再帰的に統合する、gnnのための新しい情報集約スキームを考案する。 この手法により,ユーザ意図に関する有用な情報を抽出し,ユーザやアイテムの表現にエンコードすることができる。 3つのベンチマークデータセットの実験結果は、KGINがKGAT、KGNN-LS、CKANといった最先端の手法よりも大幅に改善されていることを示している。 さらに分析すると、KGINは影響力のある意図と関係パスを特定することによって予測の解釈可能な説明を提供する。 実装はhttps://github.com/huangtinglin/Knowledge_Graph_based_Intent_Networkで入手できる。

関連論文リスト

• Dynamic Relevance Graph Network for Knowledge-Aware Question Answering [22.06211725256875]
  本研究は,外部知識の源泉となるコモンセンス質問回答の学習と推論の課題について考察する。 我々はDynamic Relevance Graph Network (DRGN)と呼ばれる新しいグラフニューラルネットワークアーキテクチャを提案する。 DRGNは、質問に基づいて与えられたKGサブグラフで動作し、エンティティに回答し、ノード間の関連スコアを使用して新しいエッジを確立する。
  論文  参考訳（メタデータ） (2022-09-20T18:52:05Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Are Graph Neural Networks Really Helpful for Knowledge Graph Completion? [49.858038034580005]
  単純なモデルでグラフニューラルネットワーク(GNN)に匹敵する性能が得られることを示す。 これは、アグリゲーションが以前信じられていたほど重要でないことを示唆している。 これは、先行作業におけるスコアリング関数設計、損失関数設計、集約の融合を示唆している。
  論文  参考訳（メタデータ） (2022-05-21T18:14:52Z)
• KGNN: Distributed Framework for Graph Neural Knowledge Representation [38.080926752998586]
  我々は,分散学習システムにおける表現学習のための知識データを完全に活用するために,KGNNと呼ばれる新しいフレームワークを開発した。 KGNNは、高次構造と属性情報を共同で探索することを目的とした、GNNベースのエンコーダと知識認識デコーダを備えている。
  論文  参考訳（メタデータ） (2022-05-17T12:32:02Z)
• Virtual Relational Knowledge Graphs for Recommendation [15.978408290522852]
  全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。 まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。 また、ユーザ表現学習において、LWS機構をユーザアイコン二部グラフに適用する。
  論文  参考訳（メタデータ） (2022-04-03T15:14:20Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Rule-Guided Graph Neural Networks for Recommender Systems [15.973065623038424]
  本稿ではルール学習とグラフニューラルネットワーク(GNN)を組み合わせたRGRecを提案する。 実世界の3つのデータセットに対するRGRecの有効性を示す。
  論文  参考訳（メタデータ） (2020-09-09T05:00:02Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。