論文の概要: Extracting Attentive Social Temporal Excitation for Sequential
Recommendation
- arxiv url: http://arxiv.org/abs/2109.13539v1
- Date: Tue, 28 Sep 2021 07:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 14:37:46.787151
- Title: Extracting Attentive Social Temporal Excitation for Sequential
Recommendation
- Title（参考訳）: 逐次レコメンデーションのための注意的社会時間興奮の抽出
- Authors: Yunzhe Li, Yue Ding, Bo Chen, Xin Xin, Yule Wang, Yuxiang Shi, Ruiming
Tang and Dong Wang
- Abstract要約: 我々は、ソーシャル・テンポラル・エキサイティング・ネットワーク(STEN)と呼ばれる、時間対応のシーケンシャル・レコメンデーション・フレームワークを提案する。
STENは、友人の行動がユーザの動的興味に与えるきめ細かな影響をモデル化するために、時間的ポイントプロセスを導入する。
STENは、イベントレベルのレコメンデーションの説明可能性を提供する。
- 参考スコア（独自算出の注目度）: 20.51029646194531
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In collaborative filtering, it is an important way to make full use of social
information to improve the recommendation quality, which has been proved to be
effective because user behavior will be affected by her friends. However,
existing works leverage the social relationship to aggregate user features from
friends' historical behavior sequences in a user-level indirect paradigm. A
significant defect of the indirect paradigm is that it ignores the temporal
relationships between behavior events across users. In this paper, we propose a
novel time-aware sequential recommendation framework called Social Temporal
Excitation Networks (STEN), which introduces temporal point processes to model
the fine-grained impact of friends' behaviors on the user s dynamic interests
in an event-level direct paradigm. Moreover, we propose to decompose the
temporal effect in sequential recommendation into social mutual temporal effect
and ego temporal effect. Specifically, we employ a social heterogeneous graph
embedding layer to refine user representation via structural information. To
enhance temporal information propagation, STEN directly extracts the
fine-grained temporal mutual influence of friends' behaviors through the
mutually exciting temporal network. Besides, the user s dynamic interests are
captured through the self-exciting temporal network. Extensive experiments on
three real-world datasets show that STEN outperforms state-of-the-art baseline
methods. Moreover, STEN provides event-level recommendation explainability,
which is also illustrated experimentally.
- Abstract（参考訳）: 協調フィルタリングでは, ユーザの行動が友人に影響を受けるため, 推薦品質を向上させるために, ソーシャル情報を完全に活用することが重要である。
しかし、既存の研究は、ソーシャルな関係を利用して、友人の過去の行動シーケンスをユーザレベルの間接パラダイムで集約している。
間接パラダイムの重要な欠点は、ユーザ間の行動イベント間の時間的関係を無視することです。
本稿では、イベントレベルの直接パラダイムにおけるユーザの動的関心に対する友人の行動のきめ細かい影響をモデル化するための時間的ポイントプロセスを導入する、ソーシャル・テンポラル・エキサイティング・ネットワーク(STEN)と呼ばれる新しい時系列的レコメンデーション・フレームワークを提案する。
さらに,社会的相互の時間的効果と自我的時間的効果に逐次的レコメンデーションの時間的効果を分解する。
具体的には,ソーシャルヘテロジニアスグラフ埋め込み層を用いて,構造情報によるユーザ表現を洗練する。
時間的情報伝達を強化するため、STENは相互に刺激的な時間的ネットワークを通じて、友人の行動の微細な時間的相互影響を直接抽出する。
また、ユーザの動的興味は、自励時間ネットワークを介してキャプチャされる。
3つの実世界のデータセットに対する大規模な実験により、STENは最先端のベースライン法より優れていることが示された。
さらに、STENはイベントレベルのレコメンデーション説明を提供する。
関連論文リスト
- Personalized Behavior-Aware Transformer for Multi-Behavior Sequential
Recommendation [25.400756652696895]
マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。
PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。
3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
論文 参考訳（メタデータ） (2024-02-22T12:03:21Z) - 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) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start
Recommendations [24.815498451832347]
本稿では,過去にインタラクションがあったが,最近は比較的非アクティブなユーザに焦点を当てた,新しい動的レコメンデーションモデルを提案する。
近年のインタラクションが不足しているため、これらのユーザの現在の好みを正確に把握することは困難である。
論文 参考訳（メタデータ） (2022-04-03T02:04:12Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳（メタデータ） (2022-03-30T03:54:11Z) - Graph Neural Networks with Dynamic and Static Representations for Social
Recommendation [13.645346050614855]
本稿では,ソーシャルレコメンデーション(GNN-DSR)のための動的および静的表現を備えたグラフニューラルネットワークを提案する。
注意機構は、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約するために使用される。
3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。
論文 参考訳（メタデータ） (2022-01-26T05:07:17Z) - Reinforcement Learning based Path Exploration for Sequential Explainable
Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。
TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。
2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-11-24T04:34:26Z) - TEA: A Sequential Recommendation Framework via Temporally Evolving
Aggregations [12.626079984394766]
動的ユーザ・イテム不均質グラフに基づく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。
条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。
提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
論文 参考訳（メタデータ） (2021-11-14T15:54:23Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z)
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。