論文の概要: G$^3$SR: Global Graph Guided Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2203.06467v1
• Date: Sat, 12 Mar 2022 15:44:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 14:17:02.863073
• Title: G$^3$SR: Global Graph Guided Session-based Recommendation
• Title（参考訳）: g$^3$sr:グローバルグラフによるセッションベースレコメンデーション
• Authors: Zhi-Hong Deng, Chang-Dong Wang, Ling Huang, Jian-Huang Lai and Philip S. Yu
• Abstract要約: セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。 G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。 2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 116.38098186755029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation tries to make use of anonymous session data to deliver high-quality recommendation under the condition that user-profiles and the complete historical behavioral data of a target user are unavailable. Previous works consider each session individually and try to capture user interests within a session. Despite their encouraging results, these models can only perceive intra-session items and cannot draw upon the massive historical relational information. To solve this problem, we propose a novel method named G$^3$SR (Global Graph Guided Session-based Recommendation). G$^3$SR decomposes the session-based recommendation workflow into two steps. First, a global graph is built upon all session data, from which the global item representations are learned in an unsupervised manner. Then, these representations are refined on session graphs under the graph networks, and a readout function is used to generate session representations for each session. Extensive experiments on two real-world benchmark datasets show remarkable and consistent improvements of the G$^3$SR method over the state-of-the-art methods, especially for cold items.
• Abstract（参考訳）: セッションベースのレコメンデーションは、匿名セッションデータを利用して、ユーザの注目とターゲットユーザの完全な履歴行動データが利用できないという条件の下で高品質なレコメンデーションを提供する。 以前の作品は各セッションを個別に考慮し、セッション内のユーザーの興味を捉えようとする。 奨励的な結果にもかかわらず、これらのモデルはセッション内アイテムしか認識できず、巨大な歴史的な関係情報を引き出すことができない。 そこで本稿では,g$^3$sr (global graph guided session-based recommendation) という新しい手法を提案する。 G$^3$SRはセッションベースのレコメンデーションワークフローを2つのステップに分解する。 まず、グローバルグラフはすべてのセッションデータに基づいて構築され、そこからグローバルアイテム表現が教師なしの方法で学習される。 次に、これらの表現をグラフネットワーク下のセッショングラフ上で洗練し、セッション毎にセッション表現を生成するために読み取り関数を使用する。 2つの実世界のベンチマークデータセットに対する大規模な実験は、特に寒冷品について、最先端の手法よりもG$^3$SR法の顕著で一貫した改善を示している。

関連論文リスト

• Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning [49.262407095098645]
  求人推薦システムは、オンライン求職における求職者と求職者の機会の整合に不可欠である。 ユーザは、雇用機会を継続的に確保するために、仕事の好みを調整する傾向があります。 セマンティック情報と行動情報の融合学習を通じてユーザの嗜好をモデル化するセッションベースフレームワークBISTROを提案する。
  論文  参考訳（メタデータ） (2024-06-24T14:38:04Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints [0.0]
  セッションベースのレコメンデーションは、アイテムのシーケンスで構成されるセッションを解釈することでアイテムを推奨しようとする。 本稿では,不均一な注意ネットワークを通じてセッションによって生成されるグラフの様々な関係について考察する。 トレーニングプロセスのさらなる最適化を通じて、パフォーマンスの向上を目指している。
  論文  参考訳（メタデータ） (2022-05-23T14:35:26Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション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） (2021-08-12T10:12:48Z)
• Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation [32.03389044375335]
  短期的なインタラクションセッションの次のインタラクションを予測することは、セッションベースのレコメンデーションにおいて難しいタスクである。 我々は,すべてのセッションにおける項目遷移を利用するために,新しいヘテロジニアスグラフニューラルネットワーク(HG-GNN)を提案する。 HGNNに基づいて,現在および歴史的セッションと異なるレベルのユーザ嗜好を捉えるために,現在選好と歴史的選好を提案する。
  論文  参考訳（メタデータ） (2021-07-08T12:38:26Z)
• Session-aware Linear Item-Item Models for Session-based Recommendation [16.081904457871815]
  セッションベースのレコメンデーションは、セッションで消費された以前の項目のシーケンスから次の項目を予測することを目的とする。 セッションの全体的側面を考慮した簡便かつ効果的な線形モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-30T06:28:40Z)
• 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。