論文の概要: Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2110.04000v1
• Date: Fri, 8 Oct 2021 09:44:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:29:25.169469
• Title: Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation
• Title（参考訳）: マルチビヘイビアレコメンデーションのための知識強化階層型グラフトランスネットワーク
• Authors: Lianghao Xia, Chao Huang, Yong Xu, Peng Dai, Xiyue Zhang, Hongsheng Yang, Jian Pei, Liefeng Bo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.12499090935242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate user and item embedding learning is crucial for modern recommender systems. However, most existing recommendation techniques have thus far focused on modeling users' preferences over singular type of user-item interactions. Many practical recommendation scenarios involve multi-typed user interactive behaviors (e.g., page view, add-to-favorite and purchase), which presents unique challenges that cannot be handled by current recommendation solutions. In particular: i) complex inter-dependencies across different types of user behaviors; ii) the incorporation of knowledge-aware item relations into the multi-behavior recommendation framework; iii) dynamic characteristics of multi-typed user-item interactions. To tackle these challenges, this work proposes a Knowledge-Enhanced Hierarchical Graph Transformer Network (KHGT), to investigate multi-typed interactive patterns between users and items in recommender systems. Specifically, KHGT is built upon a graph-structured neural architecture to i) capture type-specific behavior characteristics; ii) explicitly discriminate which types of user-item interactions are more important in assisting the forecasting task on the target behavior. Additionally, we further integrate the graph attention layer with the temporal encoding strategy, to empower the learned embeddings be reflective of both dedicated multiplex user-item and item-item relations, as well as the underlying interaction dynamics. Extensive experiments conducted on three real-world datasets show that KHGT consistently outperforms many state-of-the-art recommendation methods across various evaluation settings. Our implementation code is available at https://github.com/akaxlh/KHGT.
• Abstract（参考訳）: 正確なユーザとアイテムの埋め込み学習は、現代のレコメンデーションシステムにとって不可欠である。 しかし,既存のレコメンデーション技術のほとんどは,ユーザとイテムのインタラクションの特異なタイプよりも,ユーザの好みをモデル化することに集中している。 多くの実践的なレコメンデーションシナリオは、複数のタイプのユーザインタラクティブな振る舞い(ページビュー、アドボライト、購入など)を伴い、現在のレコメンデーションソリューションでは扱えない固有の課題を提示している。 特に 一 異なる種類のユーザの行動にまたがる複雑な相互依存 二 多行動レコメンデーションの枠組みに知識対応項目関係を組み入れること。 iii)マルチタイプユーザ・テーマインタラクションの動的特性 これらの課題に対処するため,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。 具体的には、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ている。 一 タイプ固有の行動特性 二 目標行動の予測タスクを支援する上で、どの種類のユーザ-イム相互作用がより重要であるかを明確に判別すること。 さらに、グラフアテンション層を時間符号化戦略に統合し、学習された埋め込みを専用の多重化ユーザ・イテムとアイテム・イテムの関係と、基礎となる相互作用ダイナミクスの両方に反映させる。 3つの実世界のデータセットで実施された大規模な実験により、KHGTはさまざまな評価設定の最先端のレコメンデーションメソッドを一貫して上回っていることが示された。 実装コードはhttps://github.com/akaxlh/khgtで利用可能です。

関連論文リスト

• Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
  本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。 本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。 最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
  論文  参考訳（メタデータ） (2023-01-13T06:24:33Z)
• 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)
• Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network [25.563806871858073]
  本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。 MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。 MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
  論文  参考訳（メタデータ） (2021-10-08T09:54:43Z)
• 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)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  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。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• 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)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)

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。