論文の概要: MindReader: Recommendation over Knowledge Graph Entities with Explicit
User Ratings
- arxiv url: http://arxiv.org/abs/2106.04209v1
- Date: Tue, 8 Jun 2021 09:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 15:39:35.949103
- Title: MindReader: Recommendation over Knowledge Graph Entities with Explicit
User Ratings
- Title(参考訳): MindReader: 明示的なユーザレーティングによる知識グラフエンティティの推奨
- Authors: Anders H. Brams, Anders L. Jakobsen, Theis E. Jendal, Matteo
Lissandrini, Peter Dolog, Katja Hose
- Abstract要約: 我々はMindReaderと呼ばれる新しいデータセットを導入し、アイテムとKGエンティティの両方に対して明確なユーザレーティングを提供します。
このデータセットは、当社がオープンソースとしてリリースしたオンラインインタビューアプリケーションを通じて収集されています。
グラフデータに特化して設計されたかどうかに関わらず、ほとんどのモデルでは、明示的な非イテム評価に基づいてトレーニングされた場合、推奨品質が向上することを示す。
- 参考スコア(独自算出の注目度): 9.404291151696983
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge Graphs (KGs) have been integrated in several models of
recommendation to augment the informational value of an item by means of its
related entities in the graph. Yet, existing datasets only provide explicit
ratings on items and no information is provided about user opinions of other
(non-recommendable) entities. To overcome this limitation, we introduce a new
dataset, called the MindReader, providing explicit user ratings both for items
and for KG entities. In this first version, the MindReader dataset provides
more than 102 thousands explicit ratings collected from 1,174 real users on
both items and entities from a KG in the movie domain. This dataset has been
collected through an online interview application that we also release open
source. As a demonstration of the importance of this new dataset, we present a
comparative study of the effect of the inclusion of ratings on non-item KG
entities in a variety of state-of-the-art recommendation models. In particular,
we show that most models, whether designed specifically for graph data or not,
see improvements in recommendation quality when trained on explicit non-item
ratings. Moreover, for some models, we show that non-item ratings can
effectively replace item ratings without loss of recommendation quality. This
finding, thanks also to an observed greater familiarity of users towards common
KG entities than towards long-tail items, motivates the use of KG entities for
both warm and cold-start recommendations.
- Abstract(参考訳): ナレッジグラフ (kgs) はいくつかのモデルに統合され、ある項目の情報的価値をグラフ内の関連エンティティによって増やすことが推奨されている。
しかし、既存のデータセットは項目の明示的な評価しか提供せず、他の(推奨されない)エンティティのユーザ意見に関する情報も提供されていない。
この制限を克服するために、MindReaderと呼ばれる新しいデータセットを導入し、アイテムとKGエンティティの両方で明確なユーザレーティングを提供します。
この最初のバージョンでは、mindreaderデータセットは映画ドメインの1kgから1,174人の実ユーザーから収集された102万以上の明示的な評価を提供する。
このデータセットは、オープンソースリリースのオンラインインタビューアプリケーションを通じて収集されています。
この新たなデータセットの重要性の実証として、さまざまな最先端レコメンデーションモデルにおいて、非イテムKGエンティティに対するレーティングの影響の比較研究を示す。
特に、グラフデータに特化して設計されたモデルであっても、明示的な非イテム評価でトレーニングされた場合、推奨品質が向上することを示す。
さらに,一部のモデルでは,推奨品質を損なうことなく項目評価を効果的に置き換えることができることを示す。
この発見は、ユーザーが一般的なKGエンティティに親しみやすく、長いテールアイテムよりも親しみやすいことから、暖かくコールドスタートのレコメンデーションにKGエンティティを使うことを動機付けている。
関連論文リスト
- DEKGCI: A double-sided recommendation model for integrating knowledge
graph and user-item interaction graph [0.0]
本稿では,新しい両面推薦モデルであるDECGCIを提案する。
ユーザ側でのユーザ表現を豊かにするために,ユーザ-イテム相互作用グラフからの高次協調信号を使用する。
論文 参考訳(メタデータ) (2023-06-24T01:54:49Z) - KGxBoard: Explainable and Interactive Leaderboard for Evaluation of
Knowledge Graph Completion Models [76.01814380927507]
KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。
実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
論文 参考訳(メタデータ) (2022-08-23T15:11:45Z) - Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。
具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。
我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
論文 参考訳(メタデータ) (2022-05-02T15:24:53Z) - Virtual Relational Knowledge Graphs for Recommendation [15.978408290522852]
全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。
まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。
また、ユーザ表現学習において、LWS機構をユーザアイコン二部グラフに適用する。
論文 参考訳(メタデータ) (2022-04-03T15:14:20Z) - Utilizing Textual Reviews in Latent Factor Models for Recommender
Systems [1.7361353199214251]
本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。
サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
論文 参考訳(メタデータ) (2021-11-16T15:07:51Z) - 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) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
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。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - COOKIE: A Dataset for Conversational Recommendation over Knowledge
Graphs in E-commerce [64.95907840457471]
我々は,COOKIEと呼ばれる電子商取引プラットフォームにおける知識グラフに対する対話的推薦のための新しいデータセットを提案する。
データセットはAmazonのレビューコーパスから構築され、ユーザエージェント対話とカスタムナレッジグラフを統合してレコメンデーションする。
論文 参考訳(メタデータ) (2020-08-21T00:11:31Z) - MVIN: Learning Multiview Items for Recommendation [13.16501247567924]
ユーザとエンティティのアングルから一意に混合したビューから項目を記述したGNNベースのレコメンデーションモデルを提案する。
MovieLens-1M (ML-1M), LFM-1b 2015 (LFM-1b), Amazon-Book (AZ-book) の3つの実世界のデータセット上でMVINを評価する。
その結果、MVINはこれらの3つのデータセットで最先端の手法を大幅に上回っていることがわかった。
論文 参考訳(メタデータ) (2020-05-26T05:19:27Z) - Joint Item Recommendation and Attribute Inference: An Adaptive Graph
Convolutional Network Approach [61.2786065744784]
レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。
ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。
本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
論文 参考訳(メタデータ) (2020-05-25T10:50:01Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2020-05-07T13:48:26Z)
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。