論文の概要: Thematic recommendations on knowledge graphs using multilayer networks
- arxiv url: http://arxiv.org/abs/2105.05733v1
- Date: Wed, 12 May 2021 15:30:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-13 12:13:03.788867
- Title: Thematic recommendations on knowledge graphs using multilayer networks
- Title（参考訳）: 多層ネットワークを用いた知識グラフのテーマレコメンデーション
- Authors: Mariano Beguerisse-D\'iaz, Dimitrios Korkinof, Till Hoffmann
- Abstract要約: 知識グラフ(KG)の多層ネットワーク表現に基づくテーマレコメンデーションの生成と評価のためのフレームワークを提案する。
この表現では、各層はKG内の異なるタイプの関係を符号化し、有向層間結合は異なる役割において同じエンティティを接続する。
パーソナライズされたPageRankアルゴリズムをKGの多層モデルに適用し,項目列レコメンデーションを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a framework to generate and evaluate thematic recommendations
based on multilayer network representations of knowledge graphs (KGs). In this
representation, each layer encodes a different type of relationship in the KG,
and directed interlayer couplings connect the same entity in different roles.
The relative importance of different types of connections is captured by an
intuitive salience matrix that can be estimated from data, tuned to incorporate
domain knowledge, address different use cases, or respect business logic.
We apply an adaptation of the personalised PageRank algorithm to multilayer
models of KGs to generate item-item recommendations. These recommendations
reflect the knowledge we hold about the content and are suitable for thematic
and/or cold-start recommendation settings. Evaluating thematic recommendations
from user data presents unique challenges that we address by developing a
method to evaluate recommendations relying on user-item ratings, yet respecting
their thematic nature. We also show that the salience matrix can be estimated
from user data. We demonstrate the utility of our methods by significantly
improving consumption metrics in an AB test where collaborative filtering
delivered subpar performance. We also apply our approach to movie
recommendation using publicly-available data to ensure the reproducibility of
our results. We demonstrate that our approach outperforms existing thematic
recommendation methods and is even competitive with collaborative filtering
approaches.
- Abstract（参考訳）: 本稿では,知識グラフ(KG)の多層ネットワーク表現に基づくテーマレコメンデーションの生成と評価を行うフレームワークを提案する。
この表現では、各層はKG内の異なるタイプの関係を符号化し、有向層間結合は異なる役割において同じエンティティを接続する。
異なるタイプの接続の相対的重要性は、データから推定したり、ドメインの知識を組み込んだり、異なるユースケースに対処したり、ビジネスロジックを尊重したりできる直感的なサリエンスマトリックスによって捉えられる。
パーソナライズされたPageRankアルゴリズムをKGの多層モデルに適用し,項目列レコメンデーションを生成する。
これらのレコメンデーションはコンテンツに関する知識を反映しており、テーマやコールドスタートのレコメンデーション設定に適している。
ユーザデータからセマンティックレコメンデーションを評価することは,ユーザイテム評価に依存するレコメンデーションを評価する手法を開発しながら,そのセマンティックな性質を尊重することによる,ユニークな課題を示す。
また,ユーザデータからsalience matrixを推定できることを示した。
提案手法は,協調フィルタリングによりサブパリティが向上するabテストにおいて,消費メトリクスを著しく改善することにより,その有用性を示す。
また,公開データを用いた映画レコメンデーションにもアプローチを適用し,その結果の再現性を確保する。
提案手法は,既存のテーマレコメンデーション手法よりも優れており,協調フィルタリング手法と競合することを示す。
関連論文リスト
- Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。
我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。
我々の戦略は、最先端のライバル数社を上回っている。
論文 参考訳（メタデータ） (2024-08-07T13:48:24Z) - How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics [0.2537383030441368]
本稿では,項目カタログ上のユーザインタラクションを符号化することで,知識グラフに基づくレコメンデーションシステムを提案する。
本研究は,ネットワークレベルのKG測定値が推薦のサプライズ度に影響を及ぼすかどうかを考察する。
我々は、LastFMリスニング履歴と合成Netflix視聴プロファイルの2つのデータセットに対するアプローチを実験的に評価した。
論文 参考訳（メタデータ） (2024-05-14T09:38:44Z) - Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。
提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文 参考訳（メタデータ） (2023-11-20T15:01:33Z) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳（メタデータ） (2023-08-21T15:57:57Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - D2RLIR : an improved and diversified ranking function in interactive
recommendation systems based on deep reinforcement learning [0.3058685580689604]
本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。
提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
論文 参考訳（メタデータ） (2021-10-28T13:11:29Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z) - Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static
Side Information [20.176329366180934]
ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であるレコメンデーションシステムの問題について検討する。
我々は、現代の現実世界のレコメンデーションの複雑さを捉えた問題に対する一般的な定式化を提供する。
本稿では,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。
論文 参考訳（メタデータ） (2020-01-28T17:53:38Z)
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。