論文の概要: Learning Personalized Representations using Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2207.14298v1
• Date: Thu, 28 Jul 2022 11:31:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:19:53.288224
• Title: Learning Personalized Representations using Graph Convolutional Network
• Title（参考訳）: グラフ畳み込みネットワークを用いたパーソナライズ表現の学習
• Authors: Hongyu Shen, Jinoh Oh, Shuai Zhao, Guoyin Wang, Tara Taghavi, Sungjin Lee
• Abstract要約: グラフ畳み込みネットワークに基づくモデル、すなわちパーソナライズされた動的ルーティング機能(PDRFE)を提案する。 PDRFEは、構築されたグラフから学習したパーソナライズされた顧客表現を生成する。 提案したモデルに対するクロスエントロピー測定では,ベースラインと比較して最大41%の改善が見られた。
• 参考スコア（独自算出の注目度）: 16.149897648881844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating representations that precisely reflect customers' behavior is an important task for providing personalized skill routing experience in Alexa. Currently, Dynamic Routing (DR) team, which is responsible for routing Alexa traffic to providers or skills, relies on two features to be served as personal signals: absolute traffic count and normalized traffic count of every skill usage per customer. Neither of them considers the network based structure for interactions between customers and skills, which contain richer information for customer preferences. In this work, we first build a heterogeneous edge attributed graph based customers' past interactions with the invoked skills, in which the user requests (utterances) are modeled as edges. Then we propose a graph convolutional network(GCN) based model, namely Personalized Dynamic Routing Feature Encoder(PDRFE), that generates personalized customer representations learned from the built graph. Compared with existing models, PDRFE is able to further capture contextual information in the graph convolutional function. The performance of our proposed model is evaluated by a downstream task, defect prediction, that predicts the defect label from the learned embeddings of customers and their triggered skills. We observe up to 41% improvements on the cross entropy metric for our proposed models compared to the baselines.
• Abstract（参考訳）: alexaのスキルルーティングエクスペリエンスをパーソナライズするための重要なタスクは、顧客の行動を正確に反映する表現の生成である。 現時点では、alexaトラフィックをプロバイダやスキルにルーティングする役割を担っているdynamic routing(dr)チームは、2つの機能を個人信号として提供する – 絶対トラフィック数と、ユーザ毎のスキル使用量の正規化トラフィック数 – に依存している。 どちらも、顧客とスキルの間のインタラクションのためのネットワークベースの構造を考慮せず、顧客好みに関するよりリッチな情報を含んでいる。 本研究では、まず、ユーザ要求(発話)をエッジとしてモデル化する、異種エッジ属性グラフに基づく、呼び出しされたスキルとの過去のインタラクションを構築する。 次に、グラフ畳み込みネットワーク(GCN)に基づくモデル、すなわちパーソナライズされた動的ルーティング特徴エンコーダ(PDRFE)を提案し、構築されたグラフから学習したパーソナライズされた顧客表現を生成する。 既存のモデルと比較すると、PDRFEはグラフ畳み込み関数でコンテキスト情報をキャプチャすることができる。 提案モデルの性能は,ユーザの学習した組込みとその引き金となるスキルから欠陥ラベルを予測する下流タスクである欠陥予測によって評価される。 提案したモデルに対するクロスエントロピー測定では,ベースラインと比較して最大41%の改善が見られた。

関連論文リスト

• Federated Graph Learning with Graphless Clients [52.5629887481768]
  FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。 グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
  論文  参考訳（メタデータ） (2024-11-13T06:54:05Z)
• Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph [49.66272783945571]
  クライアント関係グラフを用いた個人化フェデレーション知識グラフを提案する。 PFedEGは、近隣のクライアントから埋め込まれたエンティティを集約することで、各クライアントに対してパーソナライズされた補完知識を学習する。 我々は4つのベンチマークデータセットの広範な実験を行い、その手法を最先端モデルに対して評価する。
  論文  参考訳（メタデータ） (2024-06-17T17:44:53Z)
• FedSheafHN: Personalized Federated Learning on Graph-structured Data [22.825083541211168]
  我々はFedSheafHNと呼ばれるモデルを提案し、各クライアントのローカルサブグラフをサーバ構築コラボレーショングラフに埋め込む。 我々のモデルは複雑なクライアント特性の統合と解釈を改善します。 また、高速なモデル収束と効果的な新しいクライアントの一般化も備えている。
  論文  参考訳（メタデータ） (2024-05-25T04:51:41Z)
• PeFLL: Personalized Federated Learning by Learning to Learn [16.161876130822396]
  PeFLLは,3つの側面で最先端の学習を改善する,個人化された新しいフェデレーション学習アルゴリズムである。 PeFLLの中核には、埋め込みネットワークとハイパーネットワークを共同でトレーニングする学習から学習へのアプローチがある。
  論文  参考訳（メタデータ） (2023-06-08T19:12:42Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  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。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Detecting Owner-member Relationship with Graph Convolution Network in Fisheye Camera System [9.665475078766017]
  我々は,グラフ畳み込みネットワーク(GCN)を設計して,革新的な関係予測手法であるDeepWORDを提案する。 実験の結果,提案手法が最先端の精度と実時間性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2022-01-28T13:12:27Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Context-aware Heterogeneous Graph Attention Network for User Behavior Prediction in Local Consumer Service Platform [8.30503479549857]
  ローカルコンシューマサービスプラットフォームは、GrouponやKoubeiといった、近くの店や自宅へのサービスを利用するソフトウェアを提供する。 ローカルコンシューマサービスプラットフォーム上でのユーザの振る舞いは、リアルタイムなローカルコンテキスト情報と密接に関連している。 本稿では,ユーザの表現を生成し,将来の行動の確率を推定するために,コンテキスト対応の異種グラフアテンションネットワーク(CHGAT)を提案する。
  論文  参考訳（メタデータ） (2021-06-24T03:08:21Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。