論文の概要: Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation

• arxiv url: http://arxiv.org/abs/2109.02046v1
• Date: Sun, 5 Sep 2021 11:55:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:27:16.503853
• Title: Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation
• Title（参考訳）: 推薦のための協調指導による注意深い知識認識グラフ畳み込みネットワーク
• Authors: Yankai Chen, Yaming Yang, Yujing Wang, Jing Bai, Xiangchen Song, Irwin King
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.95691423601792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To alleviate data sparsity and cold-start problems of traditional recommender systems (RSs), incorporating knowledge graphs (KGs) to supplement auxiliary information has attracted considerable attention recently. However, simply integrating KGs in current KG-based RS models is not necessarily a guarantee to improve the recommendation performance, which may even weaken the holistic model capability. This is because the construction of these KGs is independent of the collection of historical user-item interactions; hence, information in these KGs may not always be helpful for recommendation to all users. In this paper, we propose attentive Knowledge-aware Graph convolutional networks with Collaborative Guidance for personalized Recommendation (CG-KGR). CG-KGR is a novel knowledge-aware recommendation model that enables ample and coherent learning of KGs and user-item interactions, via our proposed Collaborative Guidance Mechanism. Specifically, CG-KGR first encapsulates historical interactions to interactive information summarization. Then CG-KGR utilizes it as guidance to extract information out of KGs, which eventually provides more precise personalized recommendation. We conduct extensive experiments on four real-world datasets over two recommendation tasks, i.e., Top-K recommendation and Click-Through rate (CTR) prediction. The experimental results show that the CG-KGR model significantly outperforms recent state-of-the-art models by 4.0-53.2% and 0.4-3.2%, in terms of Recall metric on Top-K recommendation and AUC on CTR prediction, respectively.
• Abstract（参考訳）: 近年,従来のレコメンデータシステム(RS)におけるデータ分散やコールドスタートの問題を緩和するために,補助情報を補うための知識グラフ(KG)の導入が注目されている。 しかし、現在のKGベースのRSモデルに単にKGを統合することは、必ずしも推奨性能を改善するための保証ではない。 これは、これらのkgsの構築が、歴史的ユーザ・テーマの相互作用の収集とは独立しているため、これらのkgs内の情報は、常にすべてのユーザへのレコメンデーションに役立つとは限らないためである。 本稿では,パーソナライズドレコメンデーション(cg-kgr)のための協調ガイダンスを用いて,知識認識型グラフ畳み込みネットワークを提案する。 CG-KGRは,提案した協調指導機構を通じて,KGとユーザ・イテムインタラクションの完全かつ一貫性のある学習を可能にする,知識認識型推薦モデルである。 具体的には、CG-KGRは、インタラクティブな情報要約に対する歴史的相互作用をカプセル化する。 そして、CG-KGRはKGから情報を抽出するためのガイダンスとして利用し、最終的にはより正確にパーソナライズされたレコメンデーションを提供する。 我々は,2つのレコメンデーションタスク,すなわちトップkレコメンデーションとクリックスルー率(ctr)予測について,実世界の4つのデータセットについて広範な実験を行う。 実験結果から、CG-KGRモデルは、Top-Kレコメンデーションのリコール基準とCTR予測のAUCにおいて、最新の最先端モデルの4.0-53.2%と0.4-3.2%を大きく上回っていることが示された。

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)
• 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)
• 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)
• Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball [33.90069123451581]
  本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。 双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。 提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2～16%,既存モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-13T03:16:50Z)

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。