論文の概要: Graph Spring Network and Informative Anchor Selection for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2202.09502v1
• Date: Sat, 19 Feb 2022 02:47:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-26 14:43:31.394349
• Title: Graph Spring Network and Informative Anchor Selection for Session-based Recommendation
• Title（参考訳）: セッションベース推薦のためのグラフスプリングネットワークと情報アンカー選択
• Authors: Zizhuo Zhang and Bang Wang
• Abstract要約: セッションベースのレコメンデーション(SBR)は、進行中の匿名セッションの次の項目を予測することを目的としている。 SBRの最大の課題は、アイテム間のリッチな関係をキャプチャし、IDベースのアイテム埋め込みを学習してそのような関係をキャプチャする方法である。 我々は、アイテムグラフに埋め込まれたIDベースのアイテムを学習するために、グラフスプリングネットワーク(GSN)と呼ばれる新しいグラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 2.6524289609910654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-based recommendation (SBR) aims at predicting the next item for an ongoing anonymous session. The major challenge of SBR is how to capture richer relations in between items and learn ID-based item embeddings to capture such relations. Recent studies propose to first construct an item graph from sessions and employ a Graph Neural Network (GNN) to encode item embedding from the graph. Although such graph-based approaches have achieved performance improvements, their GNNs are not suitable for ID-based embedding learning for the SBR task. In this paper, we argue that the objective of such ID-based embedding learning is to capture a kind of \textit{neighborhood affinity} in that the embedding of a node is similar to that of its neighbors' in the embedding space. We propose a new graph neural network, called Graph Spring Network (GSN), for learning ID-based item embedding on an item graph to optimize neighborhood affinity in the embedding space. Furthermore, we argue that even stacking multiple GNN layers may not be enough to encode potential relations for two item nodes far-apart in a graph. In this paper, we propose a strategy that first selects some informative item anchors and then encode items' potential relations to such anchors. In summary, we propose a GSN-IAS model (Graph Spring Network and Informative Anchor Selection) for the SBR task. We first construct an item graph to describe items' co-occurrences in all sessions. We design the GSN for ID-based item embedding learning and propose an \textit{item entropy} measure to select informative anchors. We then design an unsupervised learning mechanism to encode items' relations to anchors. We next employ a shared gated recurrent unit (GRU) network to learn two session representations and make two next item predictions. Finally, we design an adaptive decision fusion strategy to fuse two predictions to make the final recommendation.
• Abstract（参考訳）: セッションベースレコメンデーション(sbr)は、進行中の匿名セッションの次の項目を予測することを目的としている。 SBRの最大の課題は、アイテム間のリッチな関係をキャプチャし、IDベースのアイテム埋め込みを学習してそのような関係をキャプチャする方法である。 近年の研究では,まずセッションからアイテムグラフを構築し,グラフからのアイテム埋め込みを符号化するためにグラフニューラルネットワーク(GNN)を用いる。 このようなグラフベースのアプローチは性能改善を実現しているが、そのGNNはSBRタスクのIDベースの埋め込み学習には適していない。 本稿では,そのようなIDに基づく埋め込み学習の目的は,ノードの埋め込みが,隣接ノードの埋め込み空間に類似しているような,ある種の‘textit{neighborhood affinity’をキャプチャすることである,と論じる。 我々は,グラフスプリングネットワーク(GSN)と呼ばれる新しいグラフニューラルネットワークを提案し,アイテムグラフにIDベースのアイテム埋め込みを学習し,埋め込み空間における近傍親和性を最適化する。 さらに,複数のgnn層を積み重ねても,グラフ内の2つの項目ノードの潜在的な関係をエンコードするには不十分である可能性がある。 本稿では,まず情報的アンカーを選択し,そのアンカーに対するアイテムの潜在的な関係を符号化する戦略を提案する。 要約すると、SBRタスクのためのGSN-IASモデル(Graph Spring Network and Informative Anchor Selection)を提案する。 まず,各セッションにおける項目の共起を記述した項目グラフを構築した。 我々は、IDベースのアイテム埋め込み学習のためのGSNを設計し、情報アンカーを選択するためのtextit{item entropy}尺度を提案する。 次に,アンカーとの関係をエンコードする教師なし学習機構を設計する。 次に,共有ゲートリカレントユニット(gru)ネットワークを用いて2つのセッション表現を学習し,次の2つのアイテム予測を行う。 最後に,2つの予測を融合して最終推薦を行う適応的決定融合戦略を設計する。

関連論文リスト

• One Node Per User: Node-Level Federated Learning for Graph Neural Networks [7.428431479479646]
  ノードレベルのフェデレーショングラフ学習のための新しいフレームワークを提案する。 特徴ベクトルの潜在表現に基づくグラフラプラシアン項を導入し,ユーザ側モデル更新を制御する。
  論文  参考訳（メタデータ） (2024-09-29T02:16:07Z)
• Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
  グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。 本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。 提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-03-06T05:00:31Z)
• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• 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)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Pair-view Unsupervised Graph Representation Learning [2.8650714782703366]
  低次元グラフ埋め込みは、大きなグラフのさまざまな下流タスクで非常に有用であることが証明されています。 本稿では,グラフ埋め込みのコアとして "ノード" よりも高いレベルの単位である "ペア" を使用するソリューションである PairE を提案する。 実験の結果、PairEは4つの下流タスクのベースラインの状態を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T04:09:47Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。