論文の概要: Graph Neural Netwrok with Interaction Pattern for Group Recommendation

• arxiv url: http://arxiv.org/abs/2109.11345v1
• Date: Tue, 21 Sep 2021 13:42:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 15:11:57.927455
• Title: Graph Neural Netwrok with Interaction Pattern for Group Recommendation
• Title（参考訳）: グループ推薦のためのインタラクションパターン付きグラフニューラルネット
• Authors: Bojie Wang, Yuheng Lu
• Abstract要約: GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。 具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
• 参考スコア（独自算出の注目度）: 1.066048003460524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of social platforms, people are more and more inclined to combine into groups to participate in some activities, so group recommendation has gradually become a problem worthy of research. For group recommendation, an important issue is how to obtain the characteristic representation of the group and the item through personal interaction history, and obtain the group's preference for the item. For this problem, we proposed the model GIP4GR (Graph Neural Network with Interaction Pattern For Group Recommendation). Specifically, our model use the graph neural network framework with powerful representation capabilities to represent the interaction between group-user-items in the topological structure of the graph, and at the same time, analyze the interaction pattern of the graph to adjust the feature output of the graph neural network, the feature representations of groups, and items are obtained to calculate the group's preference for items. We conducted a lot of experiments on two real-world datasets to illustrate the superior performance of our model.
• Abstract（参考訳）: 社会プラットフォームの発展に伴い、人々はいくつかの活動に参加するためにグループに結合する傾向が強くなり、研究に値するグループ推薦が徐々に問題になっている。 グループレコメンデーションにとって重要な問題は、個人のインタラクション履歴を通じてグループとアイテムの特徴表現をどうやって取得し、そのアイテムに対するグループの好みを得るかである。 そこで我々はGIP4GR(Graph Neural Network with Interaction Pattern For Group Recommendation)モデルを提案する。 具体的には,グラフのトポロジ的構造におけるグループ-ユーザ-テム間の相互作用を表現するために,強力な表現能力を備えたグラフニューラルネットワークフレームワークを用いて,グラフの相互作用パターンを分析して,グラフニューラルネットワークの特徴出力,グループの特徴表現,およびアイテムを抽出し,そのグループの項目の好みを算出する。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を示しました。

関連論文リスト

• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• 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)
• Learning Pedestrian Group Representations for Multi-modal Trajectory Prediction [16.676008193894223]
  GP-Graphは、混雑した環境下での効果的な歩行者軌道予測のための集団表現を持つ。 GP-Graphのキーとなる考え方は、グラフ表現として個人関係とグループ関係の両方をモデル化することである。 本稿では,複数の歩行者からなるグループを1つのグラフノードとして表現するグループプーリング・アンプール操作を提案する。
  論文  参考訳（メタデータ） (2022-07-20T14:58:13Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Self-supervised Graph Learning for Occasional Group Recommendation [28.337475919795008]
  時々グループ(コールドスタートグループ)に商品を推薦する問題について検討する。 アイテムとの相互作用が極端に疎いため、これらのグループに対する高品質な埋め込みを学習することは困難である。 本稿では,グループ/ユーザ/イテムの埋め込みを再構築するために,バックボーンGNNモデルを協調訓練する自己教師付きグラフ学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-04T08:10:06Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Improving Facial Attribute Recognition by Group and Graph Learning [34.39507051712628]
  属性間の関係を爆発させることは、顔属性認識を改善する上で重要な課題である。 本研究では,空間的関係と非空間的関係の2種類の相関関係について考察する。 マルチスケールグループとグラフネットワークという統合ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T13:36:28Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。