Fugu-MT 論文翻訳(概要): Gaia: Graph Neural Network with Temporal Shift aware Attention for Gross Merchandise Value Forecast in E-commerce

論文の概要: Gaia: Graph Neural Network with Temporal Shift aware Attention for Gross Merchandise Value Forecast in E-commerce

arxiv url: http://arxiv.org/abs/2207.13329v1
Date: Wed, 27 Jul 2022 07:23:54 GMT
ステータス: 処理完了
システム内更新日: 2022-07-28 13:46:33.092126
Title: Gaia: Graph Neural Network with Temporal Shift aware Attention for Gross Merchandise Value Forecast in E-commerce
Title（参考訳）: Gaia: EコマースにおけるGross Merchandise価値予測に対する時間シフト認識型グラフニューラルネットワーク
Authors: Borui Ye, Shuo Yang, Binbin Hu, Zhiqiang Zhang, Youqiang He, Kai Huang, Jun Zhou, Yanming Fang
Abstract要約: 時間シフトを意識したグラフニューラルネットワーク(GNN)モデルであるGaiaを提案する。 Gaiaはシミュレートされたオンライン環境にデプロイされており、ベースラインと比較して大幅に改善されている。
参考スコア（独自算出の注目度）: 17.59730869982059
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: E-commerce has gone a long way in empowering merchants through the internet. In order to store the goods efficiently and arrange the marketing resource properly, it is important for them to make the accurate gross merchandise value (GMV) prediction. However, it's nontrivial to make accurate prediction with the deficiency of digitized data. In this article, we present a solution to better forecast GMV inside Alipay app. Thanks to graph neural networks (GNN) which has great ability to correlate different entities to enrich information, we propose Gaia, a graph neural network (GNN) model with temporal shift aware attention. Gaia leverages the relevant e-seller' sales information and learn neighbor correlation based on temporal dependencies. By testing on Alipay's real dataset and comparing with other baselines, Gaia has shown the best performance. And Gaia is deployed in the simulated online environment, which also achieves great improvement compared with baselines.
Abstract（参考訳）: 電子商取引は、インターネットを通じて商人に力を与えるのに長い道のりを歩んでいる。商品を効率よく保存し、マーケティング資源を適切に配置するためには、正確な粗雑商品価値(GMV)を予測することが重要である。しかし、デジタル化されたデータの不足で正確な予測を行うのは非自明である。本稿では,Alipay アプリ内の GMV 予測を改善するためのソリューションを提案する。異なるエンティティを相関して情報を豊かにするための優れた能力を持つグラフニューラルネットワーク(GNN)のおかげで,時間シフトを意識したグラフニューラルネットワーク(GNN)モデルであるGaiaを提案する。 Gaiaは関連するe販売者の販売情報を活用し、時間的依存に基づいて近隣の相関関係を学習する。 Alipayの実際のデータセットをテストし、他のベースラインと比較することで、Gaiaは最高のパフォーマンスを示している。そしてGaiaは、シミュレーションされたオンライン環境にデプロイされ、ベースラインよりも大幅に改善されています。

関連論文リスト

GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value in Similar Item Recommendation [12.25382490978895]
類似のアイテムレコメンデーションは、Eコマース業界における重要なタスクであり、顧客が類似した関連する選択肢を探索するのに役立つ。従来の機械学習モデルにもかかわらず、グラフニューラルネットワーク(GNN)は製品間の類似性のような複雑な関係を理解することができる。本稿では,GNN-GMVO(Graph Neural Network - Gross Merchandise Value)と呼ばれる新しいGNNアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-10-26T18:43:16Z)
Agri-GNN: A Novel Genotypic-Topological Graph Neural Network Framework Built on GraphSAGE for Optimized Yield Prediction [5.649181755209545]
本稿では,作物の複雑な空間的相互作用と遺伝的相互作用を捉えるために,新しい遺伝子型-トポロジカルグラフニューラルネットワークフレームワークを提案する。 $textitAgri-GNN$はGraphSAGEアーキテクチャから作られている。実験によると、$textitAgri-GNN$はアイオワ州の農地の収量予測で$R2 =.876$を達成した。
論文参考訳（メタデータ） (2023-10-19T14:49:35Z)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
Evolving Computation Graphs [20.094508902123778]
グラフニューラルネットワーク(GNN)は、特にホモフィリーを示すデータに対して、関係データのモデリングに成功している。ヘテロ親和性データセット上でGNNを強化する新しい手法であるEvolving Computation Graphs (ECGs)を提案する。
論文参考訳（メタデータ） (2023-06-22T14:58:18Z)
Inductive Graph Transformer for Delivery Time Estimation [19.024006381947416]
生の特徴情報と構造グラフデータを利用してパッケージの納期を推定するインダクティブグラフ変換器(IGT)を提案する。実世界のロジスティクスデータセットを用いた実験により,提案モデルが納期推定の最先端手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2022-11-05T09:51:15Z)
BRIGHT -- Graph Neural Networks in Real-Time Fraud Detection [23.226891472871248]
エンドツーエンドのGNN学習を実現するために,Batch and Real-time Inception GrapH Topology (BRIGHT) フレームワークを提案する。 BRIGHTフレームワークはグラフ変換モジュールと対応するGNNアーキテクチャで構成されている。実験の結果,BRIGHT は平均 w.r.t.precision において 2% 以上の性能を示した。
論文参考訳（メタデータ） (2022-05-25T23:51:27Z)
Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
論文参考訳（メタデータ） (2022-01-14T09:04:46Z)
Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文参考訳（メタデータ） (2021-10-15T05:59:15Z)
SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks [70.64925872964416]
分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。 SkipGNNは直接相互作用からの情報だけでなく、二階相互作用からも情報を収集することで分子間相互作用を予測する。また,SkipGNNは,既存の手法を最大28.8%上回り,優れた,堅牢な性能を実現していることを示す。
論文参考訳（メタデータ） (2020-04-30T16:55:58Z)
GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
論文参考訳（メタデータ） (2020-03-29T07:22:31Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。