論文の概要: Rethinking Adjacent Dependency in Session-based Recommendations

• arxiv url: http://arxiv.org/abs/2201.12532v1
• Date: Sat, 29 Jan 2022 08:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 05:34:26.562845
• Title: Rethinking Adjacent Dependency in Session-based Recommendations
• Title（参考訳）: セッションベースレコメンデーションにおける隣接依存関係の再考
• Authors: Qian Zhang, Shoujin Wang, Wenpeng Lu, Chong Feng, Xueping Peng and Qingxiang Wang
• Abstract要約: セッションベースのレコメンデーション(SBR)は、セッション内のアイテム間の依存関係をモデル化することで、匿名ユーザに対して次のアイテムを推奨します。 ほとんどのGNNベースのSBRは、隣接する依存関係の強い仮定に基づいている。 本稿では,これらの欠陥に対処する新しいリフレッシュ・イン・テムグラフ・ニューラルネットワーク(RI-GNN)を提案する。
• 参考スコア（独自算出の注目度）: 12.359546809405838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-based recommendations (SBRs) recommend the next item for an anonymous user by modeling the dependencies between items in a session. Benefiting from the superiority of graph neural networks (GNN) in learning complex dependencies, GNN-based SBRs have become the main stream of SBRs in recent years. Most GNN-based SBRs are based on a strong assumption of adjacent dependency, which means any two adjacent items in a session are necessarily dependent here. However, based on our observation, the adjacency does not necessarily indicate dependency due to the uncertainty and complexity of user behaviours. Therefore, the aforementioned assumption does not always hold in the real-world cases and thus easily leads to two deficiencies: (1) the introduction of false dependencies between items which are adjacent in a session but are not really dependent, and (2) the missing of true dependencies between items which are not adjacent but are actually dependent. Such deficiencies significantly downgrade accurate dependency learning and thus reduce the recommendation performance. Aiming to address these deficiencies, we propose a novel review-refined inter-item graph neural network (RI-GNN), which utilizes the topic information extracted from items' reviews to refine dependencies between items. Experiments on two public real-world datasets demonstrate that RI-GNN outperforms the state-of-the-art methods.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、セッション内のアイテム間の依存関係をモデル化することで、匿名ユーザに対して次のアイテムを推奨します。 複雑な依存関係を学習する際のグラフニューラルネットワーク(GNN)の優位性から、近年、GNNベースのSBRがSBRの主要なストリームとなっている。 ほとんどのGNNベースのSBRは、隣接する依存関係の強い仮定に基づいている。 しかし,我々の観察では,ユーザ行動の不確実性や複雑化のため,隣接性は必ずしも依存性を示すものではない。 したがって、上記の仮定は現実のケースでは必ずしも成り立たないため、(1) セッションに隣接しているが実際には依存していないアイテム間の偽の依存関係の導入、(2) 隣接していないが実際に依存しているアイテム間の真の依存関係の欠如という2つの欠点を生じさせる。 このような欠陥により、正確な依存関係学習が大幅に低下し、レコメンデーションパフォーマンスが低下する。 これらの欠陥に対処するために,項目のレビューから抽出したトピック情報を利用して項目間の依存関係を洗練する,新しいリフレッシュされたinter-item graph Neural Network (RI-GNN)を提案する。 2つの公開実世界のデータセットの実験は、RI-GNNが最先端の手法より優れていることを示した。

関連論文リスト

• Neural Dependencies Emerging from Learning Massive Categories [94.77992221690742]
  この研究は、大規模画像分類のために学んだニューラルネットワークに関する2つの驚くべき発見を示す。 1) 十分に訓練されたモデルが与えられた場合、いくつかのカテゴリで予測されたロジットは、他のいくつかのカテゴリの予測を線形に組み合わせることで直接得ることができる。 2) 神経依存は1つのモデルに留まらず、2つの独立した学習モデルの間にさえ存在する。
  論文  参考訳（メタデータ） (2022-11-21T09:42:15Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Transition Relation Aware Self-Attention for Session-based Recommendation [11.202585147927122]
  セッションベースのレコメンデーションは、現実世界のシーンでは難しい問題です。 最近のグラフニューラルネットワーク(GNN)は、セッションベースの推薦のための最先端の手法として登場した。 本稿では,セッションベースの推薦のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-12T10:54:34Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
  本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。 提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
  論文  参考訳（メタデータ） (2021-06-14T14:23:08Z)
• RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching [2.1828601975620257]
  本稿では、強化学習と階層型関係探索モジュールを用いて関係抽出を改善するRH-Netという新しいフレームワークを提案する。 次に、データリッチクラスとデータポーアクラス間の相関インスタンスのセマンティクスを共有する階層的関係探索モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-27T12:50:27Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Modeling Personalized Item Frequency Information for Next-basket Recommendation [63.94555438898309]
  次世代レコメンデーション(NBR)は、電子商取引や小売業界で一般的である。 既存のRNNでは,レコメンデーションシナリオにおいて,アイテムの周波数情報を直接キャプチャすることはできない。 我々はこれらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T16:42:39Z)

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。