論文の概要: URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph

• arxiv url: http://arxiv.org/abs/2111.00739v1
• Date: Mon, 1 Nov 2021 07:28:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 01:28:17.105209
• Title: URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph
• Title（参考訳）: URIR:知識グラフに基づくユーザRNNエンコーダとアイテムエンコーダの推薦アルゴリズム
• Authors: Na zhao, Zhen Long, Zhi-Dan Zhao, Jian Wang
• Abstract要約: 本研究では、知識グラフ(URIR)に基づくユーザリカレントニューラルネットワーク(RNN)エンコーダとアイテムエンコーダ推薦アルゴリズムを提案する。 3つの実世界のデータセットに関する数値実験により、データセットRはAUC、Precision、Recall、MRRなどの指標における最先端アルゴリズムよりも優れた性能を示している。
• 参考スコア（独自算出の注目度）: 11.453995744951497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to a large amount of information, it is difficult for users to find what they are interested in among the many choices. In order to improve users' experience, recommendation systems have been widely used in music recommendations, movie recommendations, online shopping, and other scenarios. Recently, Knowledge Graph (KG) has been proven to be an effective tool to improve the performance of recommendation systems. However, a huge challenge in applying knowledge graphs for recommendation is how to use knowledge graphs to obtain better user codes and item codes. In response to this problem, this research proposes a user Recurrent Neural Network (RNN) encoder and item encoder recommendation algorithm based on Knowledge Graph (URIR). This study encodes items by capturing high-level neighbor information to generate items' representation vectors and applies an RNN and items' representation vectors to encode users to generate users' representation vectors, and then perform inner product operation on users' representation vectors and items' representation vectors to get probabilities of users interaction with items. Numerical experiments on three real-world datasets demonstrate that URIR is superior performance to state-of-the-art algorithms in indicators such as AUC, Precision, Recall, and MRR. This implies that URIR can effectively use knowledge graph to obtain better user codes and item codes, thereby obtaining better recommendation results.
• Abstract（参考訳）: 情報量が多いため,ユーザが興味を持っているものを見つけることは困難である。 ユーザ体験を改善するため,音楽レコメンデーションや映画レコメンデーション,オンラインショッピングなどのシナリオで広く利用されている。 近年,知識グラフ(KG)はレコメンデーションシステムの性能向上に有効なツールであることが証明されている。 しかし、レコメンデーションにナレッジグラフを適用する際の大きな課題は、ナレッジグラフを使ってより良いユーザコードやアイテムコードを取得する方法である。 そこで本研究では,知識グラフ(URIR)に基づくユーザリカレントニューラルネットワーク(RNN)エンコーダとアイテムエンコーダ推薦アルゴリズムを提案する。 本研究は,アイテムの表現ベクトルを生成するために高レベルな隣接情報をキャプチャしてアイテムをエンコードし,ユーザの表現ベクトルを生成するためにrnnおよびアイテムの表現ベクトルを適用し,ユーザの表現ベクトルおよびアイテムの表現ベクトルに対して内部積演算を行い,アイテムとのインタラクションの確率を得る。 3つの実世界のデータセットに関する数値実験により、URIRはAUC、Precision、Recall、MRRなどの指標における最先端アルゴリズムよりも優れた性能を示している。 これは、urirがナレッジグラフを効果的に使用して、より良いユーザコードとアイテムコードを取得し、よりよい推奨結果を得ることができることを意味する。

関連論文リスト

• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
  本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。 KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2024-03-21T13:09:23Z)
• DEKGCI: A double-sided recommendation model for integrating knowledge graph and user-item interaction graph [0.0]
  本稿では,新しい両面推薦モデルであるDECGCIを提案する。 ユーザ側でのユーザ表現を豊かにするために,ユーザ-イテム相互作用グラフからの高次協調信号を使用する。
  論文  参考訳（メタデータ） (2023-06-24T01:54:49Z)
• Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
  我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。 具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。 我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
  論文  参考訳（メタデータ） (2022-05-02T15:24:53Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• 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)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• 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)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)

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。