論文の概要: Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation

• arxiv url: http://arxiv.org/abs/2111.02100v1
• Date: Wed, 3 Nov 2021 09:40:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 20:23:49.921625
• Title: Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation
• Title（参考訳）: 勧告における知識グラフの蒸留のための条件付き注意ネットワーク
• Authors: Ke Tu, Peng Cui, Daixin Wang, Zhiqiang Zhang, Jun Zhou, Yuan Qi, Wenwu Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.14009444678031
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Knowledge graph is generally incorporated into recommender systems to improve overall performance. Due to the generalization and scale of the knowledge graph, most knowledge relationships are not helpful for a target user-item prediction. To exploit the knowledge graph to capture target-specific knowledge relationships in recommender systems, we need to distill the knowledge graph to reserve the useful information and refine the knowledge to capture the users' preferences. To address the issues, we propose Knowledge-aware Conditional Attention Networks (KCAN), which is an end-to-end model to incorporate knowledge graph into a recommender system. Specifically, we use a knowledge-aware attention propagation manner to obtain the node representation first, which captures the global semantic similarity on the user-item network and the knowledge graph. Then given a target, i.e., a user-item pair, we automatically distill the knowledge graph into the target-specific subgraph based on the knowledge-aware attention. Afterward, by applying a conditional attention aggregation on the subgraph, we refine the knowledge graph to obtain target-specific node representations. Therefore, we can gain both representability and personalization to achieve overall performance. Experimental results on real-world datasets demonstrate the effectiveness of our framework over the state-of-the-art algorithms.
• Abstract（参考訳）: 知識グラフは一般的に、全体的なパフォーマンスを改善するために推奨システムに組み込まれる。 知識グラフの一般化とスケールのため、ほとんどの知識関係はターゲットのユーザ・イテム予測には役に立たない。 この知識グラフを利用してレコメンデーションシステムにおける目標固有の知識関係を抽出するには,有用な情報を保存するために知識グラフを蒸留し,ユーザの好みを捉えるために知識を洗練する必要がある。 そこで本研究では,知識グラフをレコメンデーションシステムに組み込むエンド・ツー・エンドのモデルであるKCAN(Knowledge-Aware Conditional Attention Networks)を提案する。 具体的には、まず、知識認識型注意伝達手法を用いてノード表現を取得し、ユーザ・テーマネットワークと知識グラフのグローバル意味的類似性を捉える。 そして、ターゲット、すなわちユーザーとアイテムのペアが与えられたとき、知識グラフを知識認識の注意に基づいて自動的にターゲット固有のサブグラフに絞り込む。 その後,条件付き注意アグリゲーションをサブグラフに適用することにより,知識グラフを洗練し,対象特定ノード表現を得る。 したがって、全体的なパフォーマンスを達成するために、表現可能性とパーソナライズの両方を得ることができる。 実世界のデータセットに対する実験結果は、最先端のアルゴリズムに対する我々のフレームワークの有効性を示す。

関連論文リスト

• Knowledge Graph Pruning for Recommendation [44.21660467094777]
  我々は,推薦に適した知識グラフ解析のためのKGTrimmerという新しい手法を提案する。 集合的観点からは、豊富な協調的な信号に基づいてコミュニティのコンセンサスを抽出し、集合的知性の概念を取り入れる。 次に、エンド・ツー・エンドの重要度を意識したグラフニューラルネットワークを構築し、フィルタされた知識を注入し、貴重なユーザ・イテム協調信号の蒸留を強化する。
  論文  参考訳（メタデータ） (2024-05-19T12:07:24Z)
• KGrEaT: A Framework to Evaluate Knowledge Graphs via Downstream Tasks [1.8722948221596285]
  KGrEaTは、分類、クラスタリング、レコメンデーションといった実際の下流タスクを通じて知識グラフの品質を推定するフレームワークである。 フレームワークは知識グラフを入力として、評価対象のデータセットに自動的にマップし、定義されたタスクのパフォーマンスメトリクスを計算する。
  論文  参考訳（メタデータ） (2023-08-21T07:43:10Z)
• Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning [15.703028753526022]
  我々は、知識グラフの埋め込みにおけるデータ駆動力と、専門家や包摂体制から生じるドメイン固有の推論(OWL2)とを緩やかに結合することを提案する。 最初の結果から,バニラ知識グラフ埋め込みのMRR精度を最大3倍に向上し,知識グラフ埋め込みとルールマイニング,最大3.5倍MRRの推論を組み合わせたハイブリッドソリューションより優れていた。
  論文  参考訳（メタデータ） (2022-02-07T14:01:49Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Graphing else matters: exploiting aspect opinions and ratings in explainable graph-based recommendations [66.83527496838937]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。 提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
  論文  参考訳（メタデータ） (2021-07-07T13:57:28Z)
• KompaRe: A Knowledge Graph Comparative Reasoning System [85.72488258453926]
  本稿では,複数の手がかりに対する共通点と矛盾点の推測を目的とした知識グラフの比較推論を提案する。 我々は,大規模な知識グラフに対して比較推論機能を提供する,最初のプロトタイプシステムであるKompaReを開発した。
  論文  参考訳（メタデータ） (2020-11-06T04:57:37Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)
• 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)
• Knowledge Graphs [43.06435841693428]
  我々は、知識グラフに使用される様々なグラフベースのデータモデルとクエリ言語を動機付け、対比する。 本稿では,帰納的手法と帰納的手法を組み合わせた知識の表現と抽出について説明する。 我々は知識グラフの高レベルな今後の研究方向性を結論づける。
  論文  参考訳（メタデータ） (2020-03-04T20:20:32Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。