論文の概要: Graph-Enhanced Multi-Task Learning of Multi-Level Transition Dynamics for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2110.03996v1
• Date: Fri, 8 Oct 2021 09:34:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:20:32.115818
• Title: Graph-Enhanced Multi-Task Learning of Multi-Level Transition Dynamics for Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションのためのマルチレベル遷移ダイナミクスのグラフ強化マルチタスク学習
• Authors: Chao Huang, Jiahui Chen, Lianghao Xia, Yong Xu, Peng Dai, Yanqing Chen, Liefeng Bo, Jiashu Zhao, Jimmy Xiangji Huang
• Abstract要約: セッションベースのレコメンデーションは、eコマースからオンライン広告サービスまで、幅広いオンラインアプリケーションにおいて中心的な役割を果たす。 既存のセッションベースレコメンデーション技術の大部分は、時間順および多レベル相互依存関係構造で表される複雑な遷移ダイナミクスを捉えるために十分に設計されていない。 マルチレベル遷移ダイナミクス(MTD)を用いたマルチタスク学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 28.656887701954638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation plays a central role in a wide spectrum of online applications, ranging from e-commerce to online advertising services. However, the majority of existing session-based recommendation techniques (e.g., attention-based recurrent network or graph neural network) are not well-designed for capturing the complex transition dynamics exhibited with temporally-ordered and multi-level inter-dependent relation structures. These methods largely overlook the relation hierarchy of item transitional patterns. In this paper, we propose a multi-task learning framework with Multi-level Transition Dynamics (MTD), which enables the jointly learning of intra- and inter-session item transition dynamics in automatic and hierarchical manner. Towards this end, we first develop a position-aware attention mechanism to learn item transitional regularities within individual session. Then, a graph-structured hierarchical relation encoder is proposed to explicitly capture the cross-session item transitions in the form of high-order connectivities by performing embedding propagation with the global graph context. The learning process of intra- and inter-session transition dynamics are integrated, to preserve the underlying low- and high-level item relationships in a common latent space. Extensive experiments on three real-world datasets demonstrate the superiority of MTD as compared to state-of-the-art baselines.
• Abstract（参考訳）: セッションベースのレコメンデーションは、eコマースからオンライン広告サービスまで、幅広いオンラインアプリケーションにおいて中心的な役割を果たす。 しかしながら、既存のセッションベースのレコメンデーション技術(注意に基づくリカレントネットワークやグラフニューラルネットワークなど)の大部分は、時間順および多レベル相互依存関係構造で示される複雑な遷移ダイナミクスを捉えるためにうまく設計されていない。 これらの手法はアイテム遷移パターンの関係階層をほとんど見落としている。 本稿では,マルチレベル遷移ダイナミクス(MTD)を用いたマルチタスク学習フレームワークを提案する。 そこで我々はまず,各セッションの項目遷移規則を学習するための位置認識型注意機構を開発する。 次に,グラフ構造を持つ階層的関係エンコーダを提案し,グローバルグラフコンテキストで埋め込み伝搬を行うことにより,クロスセッション項目の遷移を高次接続性の形で明示的に捉える。 セッション内およびセッション間遷移ダイナミクスの学習プロセスを統合することにより、共通潜伏空間における下位および上位項目の関係を維持する。 3つの実世界のデータセットに対する大規模な実験は、最先端のベースラインと比較してMTDの優位性を示している。

関連論文リスト

• Contrastive Multi-Level Graph Neural Networks for Session-based Recommendation [11.9213348043964]
  セッションベースのレコメンデーション(SBR)は、匿名ユーザ行動シーケンスに基づいて、ある時点において次の項目を予測することを目的としている。 既存のメソッドは通常、単純なアイテム遷移情報に基づいてセッション表現をモデル化する。 本稿では,複雑かつ高次項目遷移情報を活用するために,新しいコントラッシブ・マルチレベルグラフニューラルネットワーク(CM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-11-06T08:11:32Z)
• TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations [5.602191038593571]
  テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。 TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-20T03:13:10Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Generalization in Visual Reinforcement Learning with the Reward Sequence Distribution [98.67737684075587]
  部分的に観察されたマルコフ決定過程(POMDP)の一般化は視覚強化学習(VRL)の成功に不可欠である 開始観測に基づく報酬系列分布と事前定義された後続行動系列(RSD-OA)を提案する。 実験により, RSD-OAに基づく表現学習手法は, 目に見えない環境における一般化性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-02-19T15:47:24Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• Multi-Behavior Hypergraph-Enhanced Transformer for Sequential Recommendation [33.97708796846252]
  短期および長期のクロスタイプの振る舞い依存を捉えるために,新しいMBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)を導入する。 具体的には、多スケールトランスフォーマーは、細粒度および粗粒度から振舞い対応のシーケンシャルパターンを共同符号化するために、低ランクの自己アテンションを備える。
  論文  参考訳（メタデータ） (2022-07-12T15:07:21Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• HiCLRE: A Hierarchical Contrastive Learning Framework for Distantly Supervised Relation Extraction [24.853265244512954]
  雑音の少ない文を抽出するための階層的コントラスト学習フレームワーク (HiCLRE) を提案する。 具体的には,3段階の階層型学習フレームワークを提案する。 実験により、HiCLREは様々なメインストリームDSREデータセットにおいて、強いベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2022-02-27T12:48:26Z)
• Group Gated Fusion on Attention-based Bidirectional Alignment for Multimodal Emotion Recognition [63.07844685982738]
  本稿では、LSTM隠蔽状態上の注目に基づく双方向アライメントネットワークで構成されるGBAN(Gated Bidirectional Alignment Network)と呼ばれる新しいモデルを提案する。 LSTMの最後の隠れ状態よりもアテンション整列表現の方が有意に優れていたことを実証的に示す。 提案したGBANモデルは、IEMOCAPデータセットにおける既存の最先端マルチモーダルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-01-17T09:46:59Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。