論文の概要: IACN: Influence-aware and Attention-based Co-evolutionary Network for Recommendation

• arxiv url: http://arxiv.org/abs/2103.02866v1
• Date: Thu, 4 Mar 2021 07:08:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-07 11:52:58.176301
• Title: IACN: Influence-aware and Attention-based Co-evolutionary Network for Recommendation
• Title（参考訳）: IACN:Recommendationのための影響認識と注意ベースの共進化ネットワーク
• Authors: Shalini Pandey, George Karypis and Jaideep Srivasatava
• Abstract要約: ICN(Impact-Aware and Attention-based Co-Evolutionary Network)を提案する。 IACNは相互作用モデリングと影響モデリングという2つの重要なコンポーネントから構成される。 私たちのモデルは、さまざまなドメインの既存の最新モデルよりも優れています。
• 参考スコア（独自算出の注目度）: 7.372706701787234
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recommending relevant items to users is a crucial task on online communities such as Reddit and Twitter. For recommendation system, representation learning presents a powerful technique that learns embeddings to represent user behaviors and capture item properties. However, learning embeddings on online communities is a challenging task because the user interest keep evolving. This evolution can be captured from 1) interaction between user and item, 2) influence from other users in the community. The existing dynamic embedding models only consider either of the factors to update user embeddings. However, at a given time, user interest evolves due to a combination of the two factors. To this end, we propose Influence-aware and Attention-based Co-evolutionary Network (IACN). Essentially, IACN consists of two key components: interaction modeling and influence modeling layer. The interaction modeling layer is responsible for updating the embedding of a user and an item when the user interacts with the item. The influence modeling layer captures the temporal excitation caused by interactions of other users. To integrate the signals obtained from the two layers, we design a novel fusion layer that effectively combines interaction-based and influence-based embeddings to predict final user embedding. Our model outperforms the existing state-of-the-art models from various domains.
• Abstract（参考訳）: RedditやTwitterなどのオンラインコミュニティでは,関連する項目をユーザに推奨することが重要な課題だ。 レコメンデーションシステムのために,表現学習は,ユーザの振る舞いを表現するために埋め込みを学習し,アイテムのプロパティをキャプチャする強力なテクニックを提供する。 しかし、オンラインコミュニティへの埋め込みの学習は、ユーザーの興味が進化し続けるため、難しい課題である。 この進化は,1) ユーザと項目間のインタラクション,2) コミュニティ内の他のユーザの影響から捉えることができる。 既存の動的埋め込みモデルは、ユーザーの埋め込みを更新する要因のいずれかのみを考慮します。 しかし、ある時点では、2つの要素の組み合わせによってユーザーの興味が進化する。 そこで我々は,影響認識と注意に基づく共進化ネットワーク (IACN) を提案する。 本質的にIACNは、相互作用モデリングと影響モデリングの2つの重要なコンポーネントから構成される。 インタラクションモデリングレイヤは、ユーザがアイテムと対話する際に、ユーザとアイテムの埋め込みを更新する責務を負う。 影響モデリング層は、他のユーザの相互作用によって引き起こされる時間的興奮をキャプチャする。 これら2つの層から得られる信号を統合するために,インタラクションベースと影響ベースの埋め込みを効果的に組み合わせ,最終的なユーザ埋め込みを予測する新しい融合層を設計する。 私たちのモデルは、さまざまなドメインの既存の最新モデルよりも優れています。

関連論文リスト

• Cross-Attribute Matrix Factorization Model with Shared User Embedding [0.5266869303483376]
  我々は,ユーザとアイテム間のインタラクションだけでなく,関連する属性の横断性も考慮した改良されたNeuMFモデルを提案する。 提案アーキテクチャは共有ユーザ埋め込みを特徴とし,ユーザ埋め込みとシームレスに統合することにより,ロバスト性を損なうとともに,コールドスタート問題に効果的に対処する。
  論文  参考訳（メタデータ） (2023-08-14T17:15:37Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• 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)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Sparsity-aware neural user behavior modeling in online interaction platforms [2.4036844268502766]
  ユーザ行動モデリングのための一般化可能なニューラル表現学習フレームワークを開発する。 問題設定は、トランスダクティブおよびインダクティブな学習シナリオにまたがる。 ユーザの振る舞いを反映した情報のさまざまな側面を活用して、大規模にパーソナライズされた推論を可能にする。
  論文  参考訳（メタデータ） (2022-02-28T00:27:11Z)
• Graph Neural Networks with Dynamic and Static Representations for Social Recommendation [13.645346050614855]
  本稿では,ソーシャルレコメンデーション(GNN-DSR)のための動的および静的表現を備えたグラフニューラルネットワークを提案する。 注意機構は、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約するために使用される。 3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。
  論文  参考訳（メタデータ） (2022-01-26T05:07:17Z)
• 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)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  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。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)

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。