論文の概要: Multi-view Intent Disentangle Graph Networks for Bundle Recommendation

• arxiv url: http://arxiv.org/abs/2202.11425v1
• Date: Wed, 23 Feb 2022 11:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 15:46:17.003355
• Title: Multi-view Intent Disentangle Graph Networks for Bundle Recommendation
• Title（参考訳）: バンドルレコメンデーションのための多視点遠方グラフネットワーク
• Authors: Sen Zhao, Wei Wei, Ding Zou, Xianling Mao
• Abstract要約: MIDGN(Multi-view Intent Disentangle Graph Networks)と呼ばれる新しいモデルを提案する。 ユーザの意図や関連項目の多様性を、より細かい粒度で正確にかつ包括的に把握することができる。 2つのベンチマークデータセットで実施された実験では、MIDGNは最先端の手法をそれぞれ10.7%、26.8%上回った。
• 参考スコア（独自算出の注目度）: 20.327669134286896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bundle recommendation aims to recommend the user a bundle of items as a whole. Nevertheless, they usually neglect the diversity of the user's intents on adopting items and fail to disentangle the user's intents in representations. In the real scenario of bundle recommendation, a user's intent may be naturally distributed in the different bundles of that user (Global view), while a bundle may contain multiple intents of a user (Local view). Each view has its advantages for intent disentangling: 1) From the global view, more items are involved to present each intent, which can demonstrate the user's preference under each intent more clearly. 2) From the local view, it can reveal the association among items under each intent since items within the same bundle are highly correlated to each other. To this end, we propose a novel model named Multi-view Intent Disentangle Graph Networks (MIDGN), which is capable of precisely and comprehensively capturing the diversity of the user's intent and items' associations at the finer granularity. Specifically, MIDGN disentangles the user's intents from two different perspectives, respectively: 1) In the global level, MIDGN disentangles the user's intent coupled with inter-bundle items; 2) In the Local level, MIDGN disentangles the user's intent coupled with items within each bundle. Meanwhile, we compare the user's intents disentangled from different views under the contrast learning framework to improve the learned intents. Extensive experiments conducted on two benchmark datasets demonstrate that MIDGN outperforms the state-of-the-art methods by over 10.7% and 26.8%, respectively.
• Abstract（参考訳）: bundle recommendationは、ユーザに対してアイテム全体のバンドルを推奨することを目的としている。 それにもかかわらず、彼らは通常、アイテムを採用するユーザの意図の多様性を無視し、表現におけるユーザの意図を混乱させない。 バンドルレコメンデーションの実際のシナリオでは、ユーザのインテントはユーザの異なるバンドル(グローバルビュー)に自然に分散され、バンドルはユーザの複数のインテント(ローカルビュー)を含む可能性がある。 それぞれの視点には 意図の分離に対する利点があります 1) グローバル視点では,各インテントの提示により多くの項目が関与しており,各インテントの下でのユーザの嗜好をより明確に示すことができる。 2)同じバンドル内のアイテムが相互に高い相関関係にあるため,各意図の項目間の関連を明らかにすることができる。 そこで本研究では,ユーザ意図や項目の関連性の多様性をよりきめ細かな粒度で正確にかつ包括的に把握できる,Multi-view Intent Disentangle Graph Networks (MIDGN) という新しいモデルを提案する。 具体的には、MIDGNは、ユーザの意図を2つの異なる視点から切り離す。 1) グローバルレベルでは,MIDGNは,ユーザ意図とバンドルアイテムの混在を解消する。 2) ローカルレベルでは、midgnはユーザーの意図を各バンドル内のアイテムと結びつけて区別する。 一方,コントラスト学習フレームワークでは,異なる視点から分離したユーザの意図を比較し,学習意図を改善する。 2つのベンチマークデータセットで実施された大規模な実験により、MIDGNは最先端の手法をそれぞれ10.7%、26.8%上回った。

関連論文リスト

• Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning [1.901404011684453]
  項目レベルの因果関係を強化した多視点学習を用いた新しいバンドルレコメンデーション手法である BunCa を提案する。 BunCaは、Coherent ViewとCohesive Viewという2つのビューを通じて、ユーザとバンドルの包括的な表現を提供する。 BunCaによる3つのベンチマークデータセットの実験は、この新しい研究の有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-13T07:05:27Z)
• Beyond Item Dissimilarities: Diversifying by Intent in Recommender Systems [20.04619904064599]
  我々は,提案システムの最終段階を対象とした確率論的意図に基づく全ページ多様化フレームワークを開発する。 さまざまな意図のライブ実験は、私たちのフレームワークがデイリーアクティブユーザーを増やし、全体のユーザーを楽しませていることを示している。
  論文  参考訳（メタデータ） (2024-05-20T18:52:33Z)
• Multi-view Multi-behavior Contrastive Learning in Recommendation [52.42597422620091]
  マルチビヘイビアレコメンデーション(MBR)は、目標行動のパフォーマンスを改善するために、複数の振る舞いを共同で検討することを目的としている。 本稿では,新しいマルチビヘイビア・マルチビュー・コントラスト学習勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:13:28Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• 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)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)
• Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
  既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。 本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-07T13:48:26Z)
• AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling [69.59096090788125]
  本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。 スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。 このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
  論文  参考訳（メタデータ） (2020-04-21T15:07:34Z)

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。