論文の概要: Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation

• arxiv url: http://arxiv.org/abs/2111.12262v1
• Date: Wed, 24 Nov 2021 04:34:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 22:40:14.688899
• Title: Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
• Title（参考訳）: 強化学習に基づく逐次説明可能なレコメンデーションのための経路探索
• Authors: Yicong Li, Hongxu Chen, Yile Li, Lin Li, Philip S. Yu and Guandong Xu
• Abstract要約: 強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 57.67616822888859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in path-based explainable recommendation systems have attracted increasing attention thanks to the rich information provided by knowledge graphs. Most existing explainable recommendations only utilize static knowledge graphs and ignore the dynamic user-item evolutions, leading to less convincing and inaccurate explanations. Although there are some works that realize that modelling user's temporal sequential behaviour could boost the performance and explainability of the recommender systems, most of them either only focus on modelling user's sequential interactions within a path or independently and separately of the recommendation mechanism. In this paper, we propose a novel Temporal Meta-path Guided Explainable Recommendation leveraging Reinforcement Learning (TMER-RL), which utilizes reinforcement item-item path modelling between consecutive items with attention mechanisms to sequentially model dynamic user-item evolutions on dynamic knowledge graph for explainable recommendation. Compared with existing works that use heavy recurrent neural networks to model temporal information, we propose simple but effective neural networks to capture users' historical item features and path-based context to characterize the next purchased item. Extensive evaluations of TMER on two real-world datasets show state-of-the-art performance compared against recent strong baselines.
• Abstract（参考訳）: 近年,知識グラフの豊富な情報により,経路ベースで説明可能なレコメンデーションシステムの進歩が注目されている。 既存の説明可能なレコメンデーションのほとんどは静的な知識グラフのみを使用し、動的なユーザ・イテムの進化を無視する。 ユーザのテンポラリシーケンシャルな振る舞いをモデル化することで、レコメンダシステムのパフォーマンスと説明可能性を高めることができることに気付く研究はいくつかあるが、そのほとんどは、パス内または個別に、あるいはレコメンデーションメカニズムとは別に、ユーザのシーケンシャルなインタラクションをモデル化することのみに焦点を当てている。 本稿では,動的知識グラフ上での動的ユーザ・アイテムの進化を逐次モデル化するために,連続項目間の強化アイテム・アイテム・パスモデルを用いた強化学習(tmer-rl)を活用した,新しい時間的メタパス誘導型説明可能レコメンデーションを提案する。 重回帰ニューラルネットワークを用いた時間的情報をモデル化する既存の手法と比較し,ユーザの履歴項目の特徴を捉えた簡易かつ効果的なニューラルネットワークと,次の購入項目を特徴付けるパスベースコンテキストを提案する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。

関連論文リスト

• End-to-End Graph-Sequential Representation Learning for Accurate Recommendations [0.7673339435080445]
  本稿では,これら2つのパラダイムの相乗効果を利用した新しい多表現学習フレームワークを提案する。 いくつかのデータセットに対する実験的な評価から,提案フレームワークによる逐次的およびグラフ的コンポーネントの相互学習が推奨性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-03-01T15:32:44Z)
• Tensor-based Sequential Learning via Hankel Matrix Representation for Next Item Recommendations [0.0]
  自己注意型トランスフォーマーモデルは、次の項目の推薦タスクを非常に効率的に解くことが示されている。 学習パラメータ空間の特別な構造に動機付けられ、それに代わるより軽量なアプローチでそれを模倣できるかどうかを疑問視する。 学習プロセス内のシーケンシャルデータに関する構造的知識を生かしたテンソル分解に基づく新しいモデルを開発する。
  論文  参考訳（メタデータ） (2022-12-12T05:55:40Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)
• 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)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• 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)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Dynamic Knowledge embedding and tracing [18.717482292051788]
  本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。 提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
  論文  参考訳（メタデータ） (2020-05-18T21:56:42Z)

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。