論文の概要: Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2109.02859v1
• Date: Tue, 7 Sep 2021 04:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:27:38.615620
• Title: Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation
• Title（参考訳）: マルチビヘイビア勧告のためのハイパーメタパスコントラスト学習
• Authors: Haoran Yang, Hongxu Chen, Lin Li, Philip S. Yu, Guandong Xu
• Abstract要約: マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
• 参考スコア（独自算出の注目度）: 61.114580368455236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User purchasing prediction with multi-behavior information remains a challenging problem for current recommendation systems. Various methods have been proposed to address it via leveraging the advantages of graph neural networks (GNNs) or multi-task learning. However, most existing works do not take the complex dependencies among different behaviors of users into consideration. They utilize simple and fixed schemes, like neighborhood information aggregation or mathematical calculation of vectors, to fuse the embeddings of different user behaviors to obtain a unified embedding to represent a user's behavioral patterns which will be used in downstream recommendation tasks. To tackle the challenge, in this paper, we first propose the concept of hyper meta-path to construct hyper meta-paths or hyper meta-graphs to explicitly illustrate the dependencies among different behaviors of a user. How to obtain a unified embedding for a user from hyper meta-paths and avoid the previously mentioned limitations simultaneously is critical. Thanks to the recent success of graph contrastive learning, we leverage it to learn embeddings of user behavior patterns adaptively instead of assigning a fixed scheme to understand the dependencies among different behaviors. A new graph contrastive learning based framework is proposed by coupling with hyper meta-paths, namely HMG-CR, which consistently and significantly outperforms all baselines in extensive comparison experiments.
• Abstract（参考訳）: マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 グラフニューラルネットワーク(GNN)やマルチタスク学習の利点を活用することで、さまざまな方法が提案されている。 しかし、既存の作業の多くは、ユーザのさまざまな振る舞い間の複雑な依存関係を考慮していない。 彼らは、近隣情報集約やベクトルの数学的計算のような単純で固定的なスキームを使用して、異なるユーザの振る舞いの埋め込みを融合させ、下流の推奨タスクで使用されるユーザの行動パターンを表現する統一的な埋め込みを得る。 本稿では,まずハイパーメタパスの概念を提案し,ハイパーメタパスやハイパーメタグラフを構築し,ユーザの行動間の依存関係を明確に記述する。 ハイパーメタパスからユーザへの統一的な埋め込みを取得し、前述の制限を同時に回避する方法が重要である。 グラフコントラスト学習の成功のおかげで、異なる行動間の依存関係を理解するために固定されたスキームを割り当てる代わりに、ユーザー行動パターンの埋め込みを適応的に学ぶことができます。 ハイパーメタパス(HMG-CR)との結合により,グラフの対比学習に基づく新しいフレームワークを提案する。

関連論文リスト

• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-22T06:41:59Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
  優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。 本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。 提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-02-17T08:51:24Z)
• 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)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
  本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。 我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
  論文  参考訳（メタデータ） (2021-10-08T08:38:27Z)

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。