Fugu-MT 論文翻訳(概要): A Graph-Enhanced Click Model for Web Search

論文の概要: A Graph-Enhanced Click Model for Web Search

arxiv url: http://arxiv.org/abs/2206.08621v1
Date: Fri, 17 Jun 2022 08:32:43 GMT
ステータス: 処理完了
システム内更新日: 2022-06-20 15:18:11.650546
Title: A Graph-Enhanced Click Model for Web Search
Title（参考訳）: Web検索のためのグラフ強化クリックモデル
Authors: Jianghao Lin, Weiwen Liu, Xinyi Dai, Weinan Zhang, Shuai Li, Ruiming Tang, Xiuqiang He, Jianye Hao, Yong Yu
Abstract要約: ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
参考スコア（独自算出の注目度）: 67.27218481132185
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To better exploit search logs and model users' behavior patterns, numerous click models are proposed to extract users' implicit interaction feedback. Most traditional click models are based on the probabilistic graphical model (PGM) framework, which requires manually designed dependencies and may oversimplify user behaviors. Recently, methods based on neural networks are proposed to improve the prediction accuracy of user behaviors by enhancing the expressive ability and allowing flexible dependencies. However, they still suffer from the data sparsity and cold-start problems. In this paper, we propose a novel graph-enhanced click model (GraphCM) for web search. Firstly, we regard each query or document as a vertex, and propose novel homogeneous graph construction methods for queries and documents respectively, to fully exploit both intra-session and inter-session information for the sparsity and cold-start problems. Secondly, following the examination hypothesis, we separately model the attractiveness estimator and examination predictor to output the attractiveness scores and examination probabilities, where graph neural networks and neighbor interaction techniques are applied to extract the auxiliary information encoded in the pre-constructed homogeneous graphs. Finally, we apply combination functions to integrate examination probabilities and attractiveness scores into click predictions. Extensive experiments conducted on three real-world session datasets show that GraphCM not only outperforms the state-of-art models, but also achieves superior performance in addressing the data sparsity and cold-start problems.
Abstract（参考訳）: 検索ログの活用とユーザの行動パターンのモデル化のために,ユーザの暗黙的なインタラクションフィードバックを抽出するクリックモデルが多数提案されている。従来のクリックモデルのほとんどは、手動で設計した依存関係を必要とする確率的グラフィカルモデル(pgm)フレームワークに基づいており、ユーザの振る舞いを過度に単純化する可能性がある。近年,ニューラルネットワークに基づく手法により,表現能力の向上と柔軟な依存関係の実現により,ユーザの行動予測精度の向上が図られている。しかし、データスパーシティやコールドスタートの問題に苦しんでいる。本稿では,Web検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。まず、各問合せや文書を頂点として、問合せや文書に対する新しい均質なグラフ構築手法を提案し、スペア性やコールドスタート問題に対して、セッション内情報とセッション間情報の両方を完全に活用する。次に, 評価仮説に従って, 魅力度推定器と検査予測器を別々にモデル化し, 先行構築した同質グラフに符号化された補助情報を抽出するために, グラフニューラルネットワークと隣接相互作用技術を適用した。最後に,テスト確率と魅力スコアをクリック予測に組み込むために組み合わせ関数を適用した。 3つの実世界のセッションデータセットで実施された大規模な実験は、GraphCMが最先端モデルを上回るだけでなく、データの疎さやコールドスタート問題に対処する上で優れたパフォーマンスを達成することを示している。

関連論文リスト

Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
論文参考訳（メタデータ） (2024-09-13T02:23:55Z)
Generated Graph Detection [27.591612297045817]
グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。 4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
論文参考訳（メタデータ） (2023-06-13T13:18:04Z)
LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
論文参考訳（メタデータ） (2023-03-12T14:31:44Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Stochastic Iterative Graph Matching [11.128153575173213]
本稿では,グラフマッチング問題に対処する新しいモデルであるIterative Graph MAtchingを提案する。我々のモデルはグラフ対のマッチングの分布を定義し、モデルが様々な可能なマッチングを探索できるようにする。我々は、生化学やコンピュータビジョンの応用と同様に、合成グラフデータセットにまたがる広範な実験を行う。
論文参考訳（メタデータ） (2021-06-04T02:05:35Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Neural Stochastic Block Model & Scalable Community-Based Graph Learning [8.00785050036369]
本稿では,グラフ学習のためのスケーラブルなコミュニティベースニューラルネットワークを提案する。このフレームワークは,コミュニティ検出とリンク予測のタスクを通じて,グラフトポロジを学習する。グラフアライメントと異常相関検出の2つの応用について検討する。
論文参考訳（メタデータ） (2020-05-16T03:28:50Z)
Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。