論文の概要: DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN

• arxiv url: http://arxiv.org/abs/2108.11883v1
• Date: Thu, 26 Aug 2021 16:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 13:55:17.310332
• Title: DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN
• Title（参考訳）: DSKReG:リレーショナルGNNによるリコメンデーションのための知識グラフ上の微分可能なサンプリング
• Authors: Yu Wang, Zhiwei Liu, Ziwei Fan, Lichao Sun, Philip S. Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.160401038969795
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the information explosion era, recommender systems (RSs) are widely studied and applied to discover user-preferred information. A RS performs poorly when suffering from the cold-start issue, which can be alleviated if incorporating Knowledge Graphs (KGs) as side information. However, most existing works neglect the facts that node degrees in KGs are skewed and massive amount of interactions in KGs are recommendation-irrelevant. To address these problems, in this paper, we propose Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN (DSKReG) that learns the relevance distribution of connected items from KGs and samples suitable items for recommendation following this distribution. We devise a differentiable sampling strategy, which enables the selection of relevant items to be jointly optimized with the model training procedure. The experimental results demonstrate that our model outperforms state-of-the-art KG-based recommender systems. The code is available online at https://github.com/YuWang-1024/DSKReG.
• Abstract（参考訳）: 情報爆発時代には,ユーザの好む情報を発見するために,リコメンデータシステム(RS)が広く研究され,応用されている。 RSは、コールドスタート問題に苦しむ際には性能が悪く、知識グラフ(KG)をサイド情報として組み込んだ場合、緩和できる。 しかし、既存の研究の多くは、KGsのノード次数が歪み、KGsの大量の相互作用が推奨できないという事実を無視している。 本稿では,これらの問題に対処するために,関係gnn (dskreg) を用いた推薦のための知識グラフの微分可能なサンプリングを提案する。 モデル学習手順と協調して関連する項目の選択を最適化できる,微分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。 コードはhttps://github.com/yuwang-1024/dskregで入手できる。

関連論文リスト

• Heterogeneous Hypergraph Embedding for Recommendation Systems [45.49449132970778]
  知識強化ヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)について紹介する。 KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。 入力グラフからの信号を、クロスビューで自己教師付き学習とアテンションメカニズムで融合する。
  論文  参考訳（メタデータ） (2024-07-04T06:09:11Z)
• Does Knowledge Graph Really Matter for Recommender Systems? [34.657764335319754]
  知識グラフ (KG) はレコメンデーション精度を向上させるためにレコメンデーションシステム (RS) に広く導入されている。 本研究では,KGがユーザ・イテム相互作用グラフのみにダウングレードされたり,削除されたりしても,RSは必ずしも悪化しないことを示した。 KGがKGベースのRSの推薦精度にどの程度貢献するかを評価するための評価フレームワークKG4RecEvalを提案する。
  論文  参考訳（メタデータ） (2024-04-04T02:32:58Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• 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)
• 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)
• Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation [36.95691423601792]
  我々は,パーソナライズされたレコメンデーション(CG-KGR)のための協調指導を用いた注意深い知識認識型畳み込みネットワークを提案する。 CG-KGRは知識を意識した新しい推薦モデルであり、KGとユーザ・イテム相互作用の豊富でコヒーレントな学習を可能にする。 2つのレコメンデーションタスクで4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-09-05T11:55:20Z)
• KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
  chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。 外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。 KECRS(Knowledge-Enriched Conversational Recommendation System)の提案 大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-05-18T03:52:06Z)
• 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)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。