論文の概要: Transition Relation Aware Self-Attention for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2203.06407v1
• Date: Sat, 12 Mar 2022 10:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 16:51:28.775003
• Title: Transition Relation Aware Self-Attention for Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションのための自己注意を考慮した遷移関係
• Authors: Guanghui Zhu, Haojun Hou, Jingfan Chen, Chunfeng Yuan, Yihua Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.202585147927122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation is a challenging problem in the real-world scenes, e.g., ecommerce, short video platforms, and music platforms, which aims to predict the next click action based on the anonymous session. Recently, graph neural networks (GNNs) have emerged as the state-of-the-art methods for session-based recommendation. However, we find that there exist two limitations in these methods. One is the item transition relations are not fully exploited since the relations are not explicitly modeled. Another is the long-range dependencies between items can not be captured effectively due to the limitation of GNNs. To solve the above problems, we propose a novel approach for session-based recommendation, called Transition Relation Aware Self-Attention (TRASA). Specifically, TRASA first converts the session to a graph and then encodes the shortest path between items through the gated recurrent unit as their transition relation. Then, to capture the long-range dependencies, TRASA utilizes the self-attention mechanism to build the direct connection between any two items without going through intermediate ones. Also, the transition relations are incorporated explicitly when computing the attention scores. Extensive experiments on three real-word datasets demonstrate that TRASA outperforms the existing state-of-the-art methods consistently.
• Abstract（参考訳）: セッションベースのレコメンデーションは、匿名セッションに基づいて次のクリックアクションを予測することを目的とした、eコマース、ショートビデオプラットフォーム、音楽プラットフォームなど、現実世界のシーンでは難しい問題である。 近年,セッションベースレコメンデーションの最先端手法としてグラフニューラルネットワーク(GNN)が登場している。 しかし,これらの手法には2つの限界が存在することがわかった。 一つは、アイテム遷移の関係が明示的にモデル化されていないため、完全には利用されないことである。 もうひとつは、GNNの制限のため、アイテム間の長距離依存関係を効果的にキャプチャできないことだ。 以上の課題を解決するために,TRASA(Transition Relation Aware Self-Attention)と呼ばれるセッションベースの推薦手法を提案する。 具体的には、TRASAはまずセッションをグラフに変換し、次にゲート再帰単位を遷移関係としてアイテム間の最短経路を符号化する。 次に、TRASAは、長距離依存関係をキャプチャするために、自己保持機構を使用して、中間のものを経由することなく、2つのアイテム間の直接接続を構築する。 また、注目スコアを計算する際に、遷移関係を明示的に組み込む。 3つの実単語データセットに対する大規模な実験は、TRASAが既存の最先端手法を一貫して上回ることを示した。

関連論文リスト

• SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation [15.977789295203976]
  本稿では,SelfGNN(Self-Supervised Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 SelfGNNフレームワークは、時間間隔に基づいて短期グラフを符号化し、グラフニューラルネットワーク(GNN)を使用して短期的な協調関係を学習する。 パーソナライズされた自己強化学習構造は、長期のユーザ関心と個人の安定性に基づいて、短期的なグラフにおけるノイズを緩和することにより、モデルロバスト性を高める。
  論文  参考訳（メタデータ） (2024-05-31T14:53:12Z)
• 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)
• 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)
• Graph Decision Transformer [83.76329715043205]
  グラフ決定変換器(GDT)は、新しいオフライン強化学習手法である。 GDTは入力シーケンスを因果グラフにモデル化し、基本的な異なる概念間の潜在的な依存関係をキャプチャする。 実験の結果,GDT は画像ベース Atari と OpenAI の Gym 上で,最先端のオフライン RL 手法の性能と一致しているか,上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-03-07T09:10:34Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Learning Iterative Robust Transformation Synchronization [71.73273007900717]
  グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。 本研究では、ロバストな損失関数のハンドクラフトを回避するとともに、グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
  論文  参考訳（メタデータ） (2021-11-01T07:03:14Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• 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)
• DGTN: Dual-channel Graph Transition Network for Session-based Recommendation [19.345913200934902]
  本稿では,DGTN(Dual-channel Graph Transition Network)という新しい手法を提案し,対象セッションだけでなく,近隣セッションの項目遷移をモデル化する。 実世界のデータセットの実験では、DGTNは他の最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-09-21T16:29:29Z)
• 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。