論文の概要: MetaKG: Meta-learning on Knowledge Graph for Cold-start Recommendation

• arxiv url: http://arxiv.org/abs/2202.03851v1
• Date: Tue, 8 Feb 2022 13:31:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 21:04:02.623139
• Title: MetaKG: Meta-learning on Knowledge Graph for Cold-start Recommendation
• Title（参考訳）: MetaKG: コールドスタート勧告のための知識グラフのメタラーニング
• Authors: Yuntao Du, Xinjun Zhu, Lu Chen, Ziquan Fang, Yunjun Gao
• Abstract要約: 知識グラフ(KG)は、相互接続された型付きエンティティとその属性からなる。 メタ学習の成功に触発されて,メタKGと呼ばれる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.650193619161104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A knowledge graph (KG) consists of a set of interconnected typed entities and their attributes. Recently, KGs are popularly used as the auxiliary information to enable more accurate, explainable, and diverse user preference recommendations. Specifically, existing KG-based recommendation methods target modeling high-order relations/dependencies from long connectivity user-item interactions hidden in KG. However, most of them ignore the cold-start problems (i.e., user cold-start and item cold-start) of recommendation analytics, which restricts their performance in scenarios when involving new users or new items. Inspired by the success of meta-learning on scarce training samples, we propose a novel meta-learning based framework called MetaKG, which encompasses a collaborative-aware meta learner and a knowledge-aware meta learner, to capture meta users' preference and entities' knowledge for cold-start recommendations. The collaborative-aware meta learner aims to locally aggregate user preferences for each user preference learning task. In contrast, the knowledge-aware meta learner is to globally generalize knowledge representation across different user preference learning tasks. Guided by two meta learners, MetaKG can effectively capture the high-order collaborative relations and semantic representations, which could be easily adapted to cold-start scenarios. Besides, we devise a novel adaptive task scheduler which can adaptively select the informative tasks for meta learning in order to prevent the model from being corrupted by noisy tasks. Extensive experiments on various cold-start scenarios using three real data sets demonstrate that our presented MetaKG outperforms all the existing state-of-the-art competitors in terms of effectiveness, efficiency, and scalability.
• Abstract（参考訳）: 知識グラフ(KG)は、相互接続された型付きエンティティとその属性からなる。 最近は、より正確で説明しやすく、多様なユーザの好みの推薦を可能にする補助情報として、kgsが広く使われている。 具体的には、KGに隠された長期接続型ユーザ・イテム相互作用から、高次関係/依存性をモデル化することを目的とした既存のKGベースのレコメンデーション手法を提案する。 しかし、そのほとんどは、新しいユーザや新しいアイテムに関わる場合のシナリオにおけるパフォーマンスを制限するレコメンデーション分析のコールドスタート問題(すなわち、ユーザーコールドスタートとアイテムコールドスタート)を無視している。 不足したトレーニングサンプルでのメタラーニングの成功に触発されて,協調学習型メタラーナと知識認識型メタラーナを包含するメタラーニングベースのフレームワークであるmetakgを提案し,メタユーザの好みとエンティティの知識を捉えてコールドスタート推薦を行う。 共同認識型メタ学習者は、各ユーザの好み学習タスクをローカルに集約することを目的としている。 対照的に、知識を意識したメタ学習者は、異なるユーザの好み学習タスクにまたがる知識表現をグローバルに一般化する。 2人のメタ学習者がガイドしたMetaKGは、コールドスタートシナリオに容易に適応できる高次の協調関係と意味表現を効果的にキャプチャできる。 さらに,メタ学習のための情報処理タスクを適応的に選択できる適応型タスクスケジューラを考案した。 3つの実データ集合を用いた様々なコールドスタートシナリオに関する大規模な実験により、我々が提示したMetaKGは、有効性、効率性、スケーラビリティの点で、既存のすべての競合製品より優れていることを示した。

関連論文リスト

• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction [14.807495564177252]
  コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。 本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。 本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
  論文  参考訳（メタデータ） (2022-10-28T11:57:58Z)
• Comprehensive Fair Meta-learned Recommender System [39.04926584648665]
  我々は、メタ学習モデルの公平性を確保するために、CLOVERという、総合的な公正なメタ学習フレームワークを提案する。 我々のフレームワークは、異なるメタ学習レコメンデータシステムに適用可能な、汎用的なトレーニングパラダイムを提供する。
  論文  参考訳（メタデータ） (2022-06-09T22:48:35Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• MetaDelta: A Meta-Learning System for Few-shot Image Classification [71.06324527247423]
  数ショット画像分類のための新しいメタ学習システムであるMetaDeltaを提案する。 MetaDeltaの各メタラーナーは、バッチトレーニングによって微調整された独自の事前訓練エンコーダと、予測に使用されるパラメータフリーデコーダで構成されている。
  論文  参考訳（メタデータ） (2021-02-22T02:57:22Z)
• 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)

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。