論文の概要: Multi-Behavior Sequential Recommendation with Temporal Graph Transformer
- arxiv url: http://arxiv.org/abs/2206.02687v1
- Date: Mon, 6 Jun 2022 15:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 15:28:01.587782
- Title: Multi-Behavior Sequential Recommendation with Temporal Graph Transformer
- Title（参考訳）: テンポラルグラフ変換器を用いたマルチビヘイビアシーケンスレコメンデーション
- Authors: Lianghao Xia, Chao Huang, Yong Xu, Jian Pei
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 66.10169268762014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling time-evolving preferences of users with their sequential item
interactions, has attracted increasing attention in many online applications.
Hence, sequential recommender systems have been developed to learn the dynamic
user interests from the historical interactions for suggesting items. However,
the interaction pattern encoding functions in most existing sequential
recommender systems have focused on single type of user-item interactions. In
many real-life online platforms, user-item interactive behaviors are often
multi-typed (e.g., click, add-to-favorite, purchase) with complex cross-type
behavior inter-dependencies. Learning from informative representations of users
and items based on their multi-typed interaction data, is of great importance
to accurately characterize the time-evolving user preference. In this work, we
tackle the dynamic user-item relation learning with the awareness of
multi-behavior interactive patterns. Towards this end, we propose a new
Temporal Graph Transformer (TGT) recommendation framework to jointly capture
dynamic short-term and long-range user-item interactive patterns, by exploring
the evolving correlations across different types of behaviors. The new TGT
method endows the sequential recommendation architecture to distill dedicated
knowledge for type-specific behavior relational context and the implicit
behavior dependencies. Experiments on the real-world datasets indicate that our
method TGT consistently outperforms various state-of-the-art recommendation
methods. Our model implementation codes are available at
https://github.com/akaxlh/TGT.
- Abstract（参考訳）: シーケンシャルなアイテムインタラクションによるユーザの時間進化的嗜好のモデル化は、多くのオンラインアプリケーションで注目を集めている。
そこで,歴史的相互作用から動的ユーザ興味を学習し,提案項目を推薦するシーケンシャルレコメンデータシステムを開発した。
しかしながら、既存のほとんどのシーケンシャルレコメンデータシステムにおけるインタラクションパターンエンコーディング機能は、単一タイプのユーザ・テーマインタラクションに焦点を当てている。
多くの実生活のオンラインプラットフォームでは、ユーザーとコンテンツの対話的な振る舞いはしばしばマルチタイプ(クリック、追加から購入など)であり、複雑なクロスタイプ動作の相互依存がある。
多型インタラクションデータに基づくユーザやアイテムの情報表現から学ぶことは,ユーザの好みを正確に特徴付ける上で非常に重要である。
本研究では,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。
そこで本研究では,様々な行動のタイプにまたがる相関関係を探究し,動的に短期的かつ長期的なユーザ・テーマ対話型パターンを捉えるための新しい時相グラフトランスフォーマー(tgt)推奨フレームワークを提案する。
新しいTGT手法は、型固有の振る舞い関係コンテキストと暗黙の振る舞い依存性に関する専門知識を抽出するシーケンシャルレコメンデーションアーキテクチャを提供する。
実世界のデータセットの実験から,我々の手法TGTは様々な最先端の推奨手法より一貫して優れていることが示された。
私たちのモデル実装コードはhttps://github.com/akaxlh/tgtで利用可能です。
関連論文リスト
- Multi-Behavior Hypergraph-Enhanced Transformer for Sequential
Recommendation [33.97708796846252]
短期および長期のクロスタイプの振る舞い依存を捉えるために,新しいMBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)を導入する。
具体的には、多スケールトランスフォーマーは、細粒度および粗粒度から振舞い対応のシーケンシャルパターンを共同符号化するために、低ランクの自己アテンションを備える。
論文 参考訳（メタデータ） (2022-07-12T15:07:21Z) - Multiplex Behavioral Relation Learning for Recommendation via Memory
Augmented Transformer Network [25.563806871858073]
本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。
MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。
MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
論文 参考訳（メタデータ） (2021-10-08T09:54:43Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。
我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
論文 参考訳（メタデータ） (2021-10-08T08:38:27Z) - 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) - 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) - Position-enhanced and Time-aware Graph Convolutional Network for
Sequential Recommendations [3.286961611175469]
我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。
PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。
多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
論文 参考訳（メタデータ） (2021-07-12T07:34:20Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z) - Multi-Interactive Attention Network for Fine-grained Feature Learning in
CTR Prediction [48.267995749975476]
クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。
既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。
マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
論文 参考訳（メタデータ） (2020-12-13T05:46:19Z)
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。