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: 翻訳完了
• 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

• CombiGCN: An effective GCN model for Recommender System [0.0]
  グラフニューラルネットワーク(GNN)は、協調フィルタリング(CF)研究の潜在的ラインを開く。 本稿では,ユーザ・イテム相互作用グラフ上にのみアイテムの埋め込みを線形に伝播させるリコメンデーションフレームワークCombiGCNを提案する。 また,実世界の3つのデータセット上で,CombiGCNと最先端モデルを比較検討した。
  論文  参考訳（メタデータ） (2025-03-27T13:03:27Z)
• Knowledge Graph Completion using Structural and Textual Embeddings [0.0]
  本稿では,知識グラフ内のテキスト情報と構造情報の両方を利用する関係予測モデルを提案する。 本手法では,歩行に基づく埋め込みと言語モデル埋め込みを統合し,ノードを効果的に表現する。 本研究では,広く利用されているデータセットで評価した場合,関係予測タスクにおける競合結果が得られたことを実証する。
  論文  参考訳（メタデータ） (2024-04-24T21:04:14Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• 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)
• 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)
• 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)
• 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。