論文の概要: Knowledge-aware Neural Collective Matrix Factorization for Cross-domain
Recommendation
- arxiv url: http://arxiv.org/abs/2206.13255v1
- Date: Mon, 27 Jun 2022 12:42:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 21:03:00.433520
- Title: Knowledge-aware Neural Collective Matrix Factorization for Cross-domain
Recommendation
- Title(参考訳): クロスドメインレコメンデーションのための知識認識型ニューラルネットワーク行列分解
- Authors: Li Zhang, Yan Ge, Jun Ma, Jianmo Ni, Haiping Lu
- Abstract要約: クロスドメインレコメンデーション(CDR)は、異なるドメインでより満足なアイテムを見つけるのに役立つ。
既存のCDRモデルは、主に共通ユーザまたはドメイン間のブリッジとしてマッピング関数を使用する。
本稿では,CDRのための知識グラフ(KG)を導入することを提案する。
- 参考スコア(独自算出の注目度): 17.431792909233856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-domain recommendation (CDR) can help customers find more satisfying
items in different domains. Existing CDR models mainly use common users or
mapping functions as bridges between domains but have very limited exploration
in fully utilizing extra knowledge across domains. In this paper, we propose to
incorporate the knowledge graph (KG) for CDR, which enables items in different
domains to share knowledge. To this end, we first construct a new dataset
AmazonKG4CDR from the Freebase KG and a subset (two domain pairs: movies-music,
movie-book) of Amazon Review Data. This new dataset facilitates linking
knowledge to bridge within- and cross-domain items for CDR. Then we propose a
new framework, KG-aware Neural Collective Matrix Factorization (KG-NeuCMF),
leveraging KG to enrich item representations. It first learns item embeddings
by graph convolutional autoencoder to capture both domain-specific and
domain-general knowledge from adjacent and higher-order neighbours in the KG.
Then, we maximize the mutual information between item embeddings learned from
the KG and user-item matrix to establish cross-domain relationships for better
CDR. Finally, we conduct extensive experiments on the newly constructed dataset
and demonstrate that our model significantly outperforms the best-performing
baselines.
- Abstract(参考訳): クロスドメインレコメンデーション(CDR)は、異なるドメインでより満足なアイテムを見つけるのに役立つ。
既存のcdrモデルは、主にドメイン間の橋渡しとして共通ユーザやマッピング機能を使用するが、ドメイン間の知識を十分に活用する探索は非常に限られている。
本稿では,CDRのための知識グラフ(KG)を導入することを提案する。
この目的のために、我々はまずFreebase KGとAmazon Review Dataのサブセット(2つのドメインペア:映画音楽、映画ブック)からAmazonKG4CDRのデータセットを構築した。
この新しいデータセットは、知識とcdrのブリッジ内およびクロスドメインアイテムのリンクを容易にする。
そこで本研究では,kg-aware neural collective matrix factorization (kg-neucmf) という新しい枠組みを提案する。
まず、グラフ畳み込みオートエンコーダを用いてアイテム埋め込みを学習し、KGの隣接および高次隣人からドメイン固有知識とドメイン一般知識の両方をキャプチャする。
そして,KGから学習した項目埋め込みとユーザ-イットマトリクスの相互情報を最大化し,ドメイン間関係を確立することにより,より優れたCDRを実現する。
最後に、新たに構築したデータセットに関する広範な実験を行い、我々のモデルが最高のパフォーマンスのベースラインを大幅に上回ることを示す。
関連論文リスト
- Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。
本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。
実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
論文 参考訳(メタデータ) (2024-07-01T02:27:54Z) - Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。
本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-05T09:19:54Z) - Exploiting Graph Structured Cross-Domain Representation for Multi-Domain
Recommendation [71.45854187886088]
マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。
我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。
我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
論文 参考訳(メタデータ) (2023-02-12T19:51:32Z) - Cross-Domain Neural Entity Linking [0.0]
クロスドメインニューラルエンティティリンクフレームワーク(CDNEL)を提案する。
我々の目標は、汎用ドメインKBとドメイン固有のKBの両方に同時リンクできる単一のシステムを作ることである。
提案フレームワークは、細調整に異なるタイプのデータセットを使用し、CDNELの異なるモデル変異をもたらす。
論文 参考訳(メタデータ) (2022-09-28T15:22:31Z) - Diverse Preference Augmentation with Multiple Domains for Cold-start
Recommendations [92.47380209981348]
メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。
我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。
これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
論文 参考訳(メタデータ) (2022-04-01T10:10:50Z) - HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain
Language Model Compression [53.90578309960526]
大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。
階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
論文 参考訳(メタデータ) (2021-10-16T11:23:02Z) - Unsupervised Cross-Domain Prerequisite Chain Learning using Variational
Graph Autoencoders [2.735701323590668]
最適化された変動グラフオートエンコーダを用いて,教師なしのクロスドメイン概念前提チェーン学習を提案する。
私たちのモデルは、情報豊富なドメインから情報貧弱ドメインに概念前提条件関係を転送することを学びます。
また、CVとバイオインフォマティクスという2つの新しいドメインを導入することで、既存のデータセットを拡張します。
論文 参考訳(メタデータ) (2021-05-07T21:02:41Z) - 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) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z) - Relational Learning Analysis of Social Politics using Knowledge Graph
Embedding [11.978556412301975]
本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。
ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。
このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
論文 参考訳(メタデータ) (2020-06-02T14:10:28Z)
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。