論文の概要: Graph Neural Networks with Dynamic and Static Representations for Social Recommendation

• arxiv url: http://arxiv.org/abs/2201.10751v1
• Date: Wed, 26 Jan 2022 05:07:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 14:41:50.390468
• Title: Graph Neural Networks with Dynamic and Static Representations for Social Recommendation
• Title（参考訳）: ソーシャルレコメンデーションのための動的および静的表現を用いたグラフニューラルネットワーク
• Authors: Junfa Lin, Siyuan Chen, Jiahai Wang
• Abstract要約: 本稿では,ソーシャルレコメンデーション(GNN-DSR)のための動的および静的表現を備えたグラフニューラルネットワークを提案する。 注意機構は、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約するために使用される。 3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。
• 参考スコア（独自算出の注目度）: 13.645346050614855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems based on graph neural networks receive increasing research interest due to their excellent ability to learn a variety of side information including social networks. However, previous works usually focus on modeling users, not much attention is paid to items. Moreover, the possible changes in the attraction of items over time, which is like the dynamic interest of users are rarely considered, and neither do the correlations among items. To overcome these limitations, this paper proposes graph neural networks with dynamic and static representations for social recommendation (GNN-DSR), which considers both dynamic and static representations of users and items and incorporates their relational influence. GNN-DSR models the short-term dynamic and long-term static interactional representations of the user's interest and the item's attraction, respectively. Furthermore, the attention mechanism is used to aggregate the social influence of users on the target user and the correlative items' influence on a given item. The final latent factors of user and item are combined to make a prediction. Experiments on three real-world recommender system datasets validate the effectiveness of GNN-DSR.
• Abstract（参考訳）: グラフニューラルネットワークに基づくレコメンダシステムは、ソーシャルネットワークを含む様々な側面情報を学ぶ能力に優れており、研究の関心が高まっている。 しかしながら、以前の作業は通常、ユーザをモデリングすることに重点を置いている。 また,利用者の動的関心のように見えるアイテムのアトラクションが時間とともに変化する可能性も少なく,アイテム間の相関関係も考慮されない。 これらの制約を克服するために,ユーザやアイテムの動的かつ静的な表現を考慮し,それらのリレーショナルな影響を取り入れた,動的かつ静的なソーシャルレコメンデーションのためのグラフニューラルネットワーク(GNN-DSR)を提案する。 GNN-DSRは、ユーザの興味とアイテムの魅力の短期的動的および長期的静的相互作用表現をモデル化する。 さらに、注目機構を用いて、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約する。 ユーザとアイテムの最終潜在要素を組み合わせることで、予測を行う。 3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。

関連論文リスト

• Social Recommendation through Heterogeneous Graph Modeling of the Long-term and Short-term Preference Defined by Dynamic Periods [5.369499761777157]
  本研究では,不均一グラフにソーシャル・ネットワーク・データの動的特性を組み込むことにより,ソーシャル・レコメンデーションを提供する新しい手法を提案する。 このモデルは実世界のデータに適用され、優れた性能を主張する。
  論文  参考訳（メタデータ） (2023-12-21T21:36:43Z)
• TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations [5.602191038593571]
  テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。 TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-20T03:13:10Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  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。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
  我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。 KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。 さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
  論文  参考訳（メタデータ） (2021-10-08T09:13:51Z)
• 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)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。