論文の概要: Privileged Graph Distillation for Cold Start Recommendation

• arxiv url: http://arxiv.org/abs/2105.14975v1
• Date: Mon, 31 May 2021 14:05:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 23:08:44.406878
• Title: Privileged Graph Distillation for Cold Start Recommendation
• Title（参考訳）: コールドスタートレコメンデーションのための特権グラフ蒸留
• Authors: Shuai Wang, Kun Zhang, Le Wu, Haiping Ma, Richang Hong, Meng Wang
• Abstract要約: レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
• 参考スコア（独自算出の注目度）: 57.918041397089254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The cold start problem in recommender systems is a long-standing challenge, which requires recommending to new users (items) based on attributes without any historical interaction records. In these recommendation systems, warm users (items) have privileged collaborative signals of interaction records compared to cold start users (items), and these Collaborative Filtering (CF) signals are shown to have competing performance for recommendation. Many researchers proposed to learn the correlation between collaborative signal embedding space and the attribute embedding space to improve the cold start recommendation, in which user and item categorical attributes are available in many online platforms. However, the cold start recommendation is still limited by two embedding spaces modeling and simple assumptions of space transformation. As user-item interaction behaviors and user (item) attributes naturally form a heterogeneous graph structure, in this paper, we propose a privileged graph distillation model~(PGD). The teacher model is composed of a heterogeneous graph structure for warm users and items with privileged CF links. The student model is composed of an entity-attribute graph without CF links. Specifically, the teacher model can learn better embeddings of each entity by injecting complex higher-order relationships from the constructed heterogeneous graph. The student model can learn the distilled output with privileged CF embeddings from the teacher embeddings. Our proposed model is generally applicable to different cold start scenarios with new user, new item, or new user-new item. Finally, extensive experimental results on the real-world datasets clearly show the effectiveness of our proposed model on different types of cold start problems, with average $6.6\%, 5.6\%, $ and $17.1\%$ improvement over state-of-the-art baselines on three datasets, respectively.
• Abstract（参考訳）: レコメンデーションシステムのコールドスタート問題は長年にわたる課題であり、歴史的相互作用の記録のない属性に基づいて新しいユーザ(イテム)に推奨する必要がある。 これらのレコメンデーションシステムでは,温かいユーザ (items) はコールドスタートユーザ (items) と比較して, 相互作用記録の特権的な協調信号を持ち, 協調フィルタリング (CF) 信号は推奨のために競合する性能を示す。 多くの研究者は、多くのオンラインプラットフォームでユーザとアイテムの分類属性が利用できる冷間開始勧告を改善するために、協調的な信号埋め込み空間と属性埋め込み空間の相関を学習することを提案した。 しかし、コールドスタートの推奨は、2つの埋め込み空間モデリングと単純な空間変換の仮定によって制限される。 本稿では,ユーザ・イテム相互作用の挙動とユーザ(イテム)属性が自然に異質なグラフ構造を形成するため,特権グラフ蒸留モデル~(PGD)を提案する。 教師モデルは、温かいユーザと特権的なCFリンクを持つアイテムのための異種グラフ構造で構成されている。 学生モデルはcfリンクのないエンティティ属性グラフで構成されている。 具体的には、教師モデルは構築された不均一グラフから複雑な高階関係を注入することで、各エンティティの埋め込みをより良く学習することができる。 学生モデルは、教師の埋め込みから特権cf埋め込みで蒸留アウトプットを学習することができる。 提案手法は,新規ユーザ,新規アイテム,新規ユーザ新規アイテムなど,さまざまなコールドスタートシナリオに適用可能である。 最後に、実世界のデータセットに対する広範な実験結果から、提案したモデルが、それぞれ3つのデータセットの最先端ベースラインよりも平均6.6\%、5.6\%、1.17.1\%$で異なるタイプのコールドスタート問題に対して有効であることを明らかに示している。

関連論文リスト

• GPT4Rec: Graph Prompt Tuning for Streaming Recommendation [30.604441550735494]
  本稿では,ストリームレコメンデーションのためのグラフプロンプトチューニング手法であるGPT4Recを提案する。 特に、GPT4Recはグラフパターンを複数のビューに分解する。 ユーザ-テムグラフ内のさまざまなインタラクションパターンにまたがってモデルをガイドする。
  論文  参考訳（メタデータ） (2024-06-12T13:59:31Z)
• 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)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Lightweight Compositional Embeddings for Incremental Streaming Recommendation [21.857949766385186]
  計算コストの低いインクリメンタルアップデートをサポートするグラフベースのレコメンデーションモデルを提案する。 軽量構成埋め込み(LCE)は、ノードのサブセットのみに対する明示的な埋め込みを学び、他のノードを暗黙的に表現する。 LCEは、グラフベースの代替モデルよりもパラメータが大幅に少ない、ほぼスカイラインのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-02-04T23:05:14Z)
• Multi-Behavior Enhanced Recommendation with Cross-Interaction Collaborative Relation Modeling [42.6279077675585]
  本稿では,グラフニューラルマルチビヘイビア拡張レコメンデーションフレームワークを提案する。 グラフベースのメッセージパッシングアーキテクチャの下で、異なるタイプのユーザ-テムインタラクション間の依存関係を明示的にモデル化します。 実世界のレコメンデーションデータセットの実験は、GNMRが最先端の手法を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2022-01-07T03:12:37Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• 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)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)
• Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks [18.81183804581575]
  我々は、一般的に使われている相互作用グラフではなく属性グラフを利用して、新しいフレームワークAttribute Graph Neural Networks (AGNN) を開発した。 AGNNは、拡張された変分自動エンコーダ構造を用いて属性の分布を学習することにより、寒冷なユーザ/イテムに対する好みの埋め込みを生成することができる。 そこで本研究では,周辺地域における様々なモーダルの属性を効果的に集約するために,新しいグラフニューラルネットワーク変種であるgate-GNNを提案する。
  論文  参考訳（メタデータ） (2019-12-28T04:07:55Z)

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。