論文の概要: Knowledge Graph-enhanced Sampling for Conversational Recommender System
- arxiv url: http://arxiv.org/abs/2110.06637v1
- Date: Wed, 13 Oct 2021 11:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 15:20:42.382384
- Title: Knowledge Graph-enhanced Sampling for Conversational Recommender System
- Title（参考訳）: 会話レコメンダシステムのための知識グラフ強調サンプリング
- Authors: Mengyuan Zhao, Xiaowen Huang, Lixi Zhu, Jitao Sang, Jian Yu
- Abstract要約: Conversational Recommendation System (CRS) は対話システムの対話形式を用いて従来のレコメンデーションシステムの問題を解決する。
本研究は,知識グラフ強調サンプリング(KGenSam)と呼ばれる,CRSに適した文脈情報強調モデルを提案する。
ユーザ嗜好を得るための不確実性の高いファジィサンプルと、リコメンデータを更新するための信頼性の高い負サンプルをサンプリングすることにより、2つのサンプルが知識を高めるように設計されている。
- 参考スコア（独自算出の注目度）: 20.985222879085832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The traditional recommendation systems mainly use offline user data to train
offline models, and then recommend items for online users, thus suffering from
the unreliable estimation of user preferences based on sparse and noisy
historical data. Conversational Recommendation System (CRS) uses the
interactive form of the dialogue systems to solve the intrinsic problems of
traditional recommendation systems. However, due to the lack of contextual
information modeling, the existing CRS models are unable to deal with the
exploitation and exploration (E&E) problem well, resulting in the heavy burden
on users. To address the aforementioned issue, this work proposes a contextual
information enhancement model tailored for CRS, called Knowledge Graph-enhanced
Sampling (KGenSam). KGenSam integrates the dynamic graph of user interaction
data with the external knowledge into one heterogeneous Knowledge Graph (KG) as
the contextual information environment. Then, two samplers are designed to
enhance knowledge by sampling fuzzy samples with high uncertainty for obtaining
user preferences and reliable negative samples for updating recommender to
achieve efficient acquisition of user preferences and model updating, and thus
provide a powerful solution for CRS to deal with E&E problem. Experimental
results on two real-world datasets demonstrate the superiority of KGenSam with
significant improvements over state-of-the-art methods.
- Abstract（参考訳）: 従来のレコメンデーションシステムは、主にオフラインユーザデータを使用してオフラインモデルをトレーニングし、オンラインユーザのためにアイテムを推奨する。
Conversational Recommendation System (CRS)は従来のレコメンデーションシステムの本質的な問題を解決するために対話システムの対話形式を使用する。
しかし、文脈情報モデリングの欠如により、既存のCRSモデルは、エクスプロイトと探索(E&E)の問題にうまく対応できないため、ユーザにとって重荷となる。
上記の問題に対処するため、この研究は知識グラフ強化サンプリング(KGenSam)と呼ばれるCRSに適した文脈情報拡張モデルを提案する。
kgensamは、ユーザインタラクションデータの動的グラフと外部知識を、コンテキスト情報環境として1つの異種知識グラフ(kg)に統合する。
次に,ユーザの嗜好を得るための不確実性の高いファジィサンプルと,レコメンダ更新のための信頼性の高い負サンプルをサンプリングして,ユーザの嗜好の効率的な獲得とモデル更新を実現することにより,crsがe&e問題に対処するための強力なソリューションを提供する。
2つの実世界のデータセットの実験結果は、最先端のメソッドよりも大幅に改善されたkgensamの優位を示している。
関連論文リスト
- Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learning [5.453444582931813]
Tri-Phase Offline Policy Learning-based Conversational Recommender System (TCRS)
本稿では,Tri-Phase Offline Policy Learning-based Conversational Recommender System (TCRS)を紹介する。
論文 参考訳（メタデータ） (2024-08-13T10:58:29Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳（メタデータ） (2024-08-07T16:35:10Z) - Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。
具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。
次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
論文 参考訳（メタデータ） (2024-08-02T15:38:55Z) - Causal Structure Representation Learning of Confounders in Latent Space
for Recommendation [6.839357057621987]
ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。
我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
論文 参考訳（メタデータ） (2023-11-02T08:46:07Z) - AUGUST: an Automatic Generation Understudy for Synthesizing
Conversational Recommendation Datasets [56.052803235932686]
本稿では,大規模かつ高品質なレコメンデーションダイアログを生成する新しい自動データセット合成手法を提案する。
i)従来のレコメンデーションデータセットからの豊富なパーソナライズされたユーザプロファイル、(ii)知識グラフからの豊富な外部知識、(iii)人間対人間会話レコメンデーションデータセットに含まれる会話能力。
論文 参考訳（メタデータ） (2023-06-16T05:27:14Z) - BARCOR: Towards A Unified Framework for Conversational Recommendation
Systems [40.464281243375815]
会話推薦のためのBARTに基づく統合フレームワークを提案する。
また,映画領域におけるCRSのための軽量知識グラフの設計と収集を行う。
論文 参考訳（メタデータ） (2022-03-27T09:42:16Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。
外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。
KECRS(Knowledge-Enriched Conversational Recommendation System)の提案
大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-05-18T03:52:06Z) - Leveraging Historical Interaction Data for Improving Conversational
Recommender System [105.90963882850265]
アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。
実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-19T03:43:50Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z)
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。