論文の概要: HCGR: Hyperbolic Contrastive Graph Representation Learning for
Session-based Recommendation
- arxiv url: http://arxiv.org/abs/2107.05366v1
- Date: Tue, 6 Jul 2021 01:46:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:30:06.734675
- Title: HCGR: Hyperbolic Contrastive Graph Representation Learning for
Session-based Recommendation
- Title（参考訳）: HCGR:セッションベース推薦のためのハイパーボリックコントラストグラフ表現学習
- Authors: Naicheng Guo and Xiaolei Liu and Shaoshuai Li and Qiongxu Ma and Yunan
Zhao and Bing Han and Lin Zheng and Kaixin Gao and Xiaobo Guo
- Abstract要約: セッションベースレコメンデーション(SBR)は、ユーザの行動の進化から短期的および連続的なパターンをキャプチャすることで、ユーザの好みを学習する。
アイテムのコヒーレンスと階層的表現を適切に捉えるために,双曲型コントラストグラフレコメンダ(HCGR)を提案する。
- 参考スコア（独自算出の注目度）: 5.942131706372327
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Session-based recommendation (SBR) learns users' preferences by capturing the
short-term and sequential patterns from the evolution of user behaviors. Among
the studies in the SBR field, graph-based approaches are a relatively powerful
kind of way, which generally extract item information by message aggregation
under Euclidean space. However, such methods can't effectively extract the
hierarchical information contained among consecutive items in a session, which
is critical to represent users' preferences. In this paper, we present a
hyperbolic contrastive graph recommender (HCGR), a principled session-based
recommendation framework involving Lorentz hyperbolic space to adequately
capture the coherence and hierarchical representations of the items. Within
this framework, we design a novel adaptive hyperbolic attention computation to
aggregate the graph message of each user's preference in a session-based
behavior sequence. In addition, contrastive learning is leveraged to optimize
the item representation by considering the geodesic distance between positive
and negative samples in hyperbolic space. Extensive experiments on four
real-world datasets demonstrate that HCGR consistently outperforms
state-of-the-art baselines by 0.43$\%$-28.84$\%$ in terms of $HitRate$, $NDCG$
and $MRR$.
- Abstract（参考訳）: セッションベースレコメンデーション(SBR)は、ユーザの行動の進化から短期的および連続的なパターンをキャプチャすることで、ユーザの好みを学習する。
SBR分野の研究の中で、グラフベースのアプローチは比較的強力な方法であり、一般にユークリッド空間の下でのメッセージアグリゲーションによってアイテム情報を抽出する。
しかし,このような手法は,ユーザの嗜好を表現する上で重要であるセッションの連続項目に含まれる階層情報を効果的に抽出することはできない。
本稿では,ローレンツ双曲空間を包含するセッションベース推薦フレームワークである,双曲型コントラストグラフ推薦器(HCGR)について述べる。
このフレームワークでは,各ユーザの好みのグラフメッセージをセッションベースの行動系列に集約するために,適応的双曲的注意計算を新たに設計する。
さらに,双曲空間における正と負のサンプル間の測地距離を考慮し,項目表現の最適化にコントラスト学習を利用する。
4つの実世界のデータセットに対する大規模な実験によると、HCGRは、HitRate$、$NDCG$、$MRR$という観点で、最先端のベースラインを一貫して0.43$\%$-28.84$\%$で上回る。
関連論文リスト
- APGL4SR: A Generic Framework with Adaptive and Personalized Global
Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。
APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。
一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文 参考訳（メタデータ） (2023-11-06T01:33:24Z) - Graph-based Alignment and Uniformity for Recommendation [45.40299300441636]
協調フィルタリングに基づく推薦システムは、ユーザの好みを正確に予測するために、ユーザやアイテムの学習表現に依存する。
本稿では,グラフに基づくアライメントと統一性(GraphAU)という新たなアプローチを提案する。
4つのデータセットの実験によると、GraphAUはスパーシリティの問題を大幅に軽減し、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-08-18T04:33:36Z) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳（メタデータ） (2023-03-01T05:46:36Z) - Time-aware Hyperbolic Graph Attention Network for Session-based
Recommendation [58.748215444851226]
セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。
時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
論文 参考訳（メタデータ） (2023-01-10T04:16:09Z) - Heterogeneous Information Crossing on Graphs for Session-based
Recommender Systems [19.959021202757107]
グラフ上の異種情報交差(HICG)というグラフに基づく新しい手法を提案する。
HICGは、グラフ上の異種情報を効果的に横断することにより、ユーザの長期的な嗜好によって現在の関心を捉えている。
また、アイテム表現能力を高めるために、コントラスト学習(CL)技術を取り入れたHICG-CLという拡張版も提案する。
論文 参考訳（メタデータ） (2022-10-24T04:02:33Z) - 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) - Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。
GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。
実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2022-05-30T03:53:31Z) - G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。
G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。
2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
論文 参考訳（メタデータ） (2022-03-12T15:44:03Z) - Improved Representation Learning for Session-based Recommendation [0.0]
セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。
既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。
我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2021-07-04T00:57:28Z)
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。