Fugu-MT 論文翻訳(概要): Graph Convolutional Embeddings for Recommender Systems

論文の概要: Graph Convolutional Embeddings for Recommender Systems

arxiv url: http://arxiv.org/abs/2103.03587v1
Date: Fri, 5 Mar 2021 10:46:16 GMT
ステータス: 処理完了
システム内更新日: 2021-03-08 14:45:21.335065
Title: Graph Convolutional Embeddings for Recommender Systems
Title（参考訳）: リコメンダシステムのためのグラフ畳み込み埋め込み
Authors: Paula G\'omez Duran, Alexandros Karatzoglou, Jordi Vitri\`a, Xin Xin, Ioannis Arapakis
Abstract要約: 本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
参考スコア（独自算出の注目度）: 67.5973695167534
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern recommender systems (RS) work by processing a number of signals that can be inferred from large sets of user-item interaction data. The main signal to analyze stems from the raw matrix that represents interactions. However, we can increase the performance of RS by considering other kinds of signals like the context of interactions, which could be, for example, the time or date of the interaction, the user location, or sequential data corresponding to the historical interactions of the user with the system. These complex, context-based interaction signals are characterized by a rich relational structure that can be represented by a multi-partite graph. Graph Convolutional Networks (GCNs) have been used successfully in collaborative filtering with simple user-item interaction data. In this work, we generalize the use of GCNs for N-partite graphs by considering N multiple context dimensions and propose a simple way for their seamless integration in modern deep learning RS architectures. More specifically, we define a graph convolutional embedding layer for N-partite graphs that processes user-item-context interactions, and constructs node embeddings by leveraging their relational structure. Experiments on several datasets from recommender systems to drug re-purposing show the benefits of the introduced GCN embedding layer by measuring the performance of different context-enriched tasks.
Abstract（参考訳）: 現代のレコメンダーシステム(RS)は、大量のユーザーとアイテムの相互作用データから推測できる多くの信号を処理することによって機能します。分析する主な信号は、相互作用を表す生の行列に由来する。しかし,インタラクションのコンテキスト,例えばインタラクションの日時,ユーザ位置,ユーザとシステムとの歴史的なインタラクションに対応するシーケンシャルなデータなど,他の種類の信号を考慮することで,RSの性能を向上させることができる。これらの複雑なコンテキストベースの相互作用信号は、多部グラフで表現できるリッチリレーショナル構造によって特徴づけられる。グラフ畳み込みネットワーク(GCN)は、単純なユーザー項目の相互作用データとの協調フィルタリングに成功した。本研究では,N 個のコンテキスト次元を考慮した N 個のグラフに対する GCN の利用を一般化し,現代のディープラーニング RS アーキテクチャにおけるそれらのシームレスな統合方法を提案する。より具体的には、ユーザ間相互作用を処理するn成分グラフのグラフ畳み込み層を定義し、それらの関係構造を利用してノード埋め込みを構成する。レコメンダーシステムから薬物再購入までのいくつかのデータセットに関する実験は、異なるコンテキスト強化タスクのパフォーマンスを測定することによって導入されたGCN埋め込みレイヤの利点を示しています。