論文の概要: DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain
Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2209.10163v1
- Date: Wed, 21 Sep 2022 07:53:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 16:52:31.996612
- Title: DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain
Sequential Recommendation
- Title(参考訳): ddghm: クロスドメインシーケンシャルレコメンデーションのためのハイブリッドメトリックトレーニングを備えたデュアルダイナミックグラフ
- Authors: Xiaolin Zheng, Jiajie Su, Weiming Liu, and Chaochao Chen
- Abstract要約: Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。
この問題を解決するため、我々はクロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。
本稿では,CDSR問題のための新しいフレームワークであるDDGHMを提案する。
- 参考スコア(独自算出の注目度): 15.366783212837515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential Recommendation (SR) characterizes evolving patterns of user
behaviors by modeling how users transit among items. However, the short
interaction sequences limit the performance of existing SR. To solve this
problem, we focus on Cross-Domain Sequential Recommendation (CDSR) in this
paper, which aims to leverage information from other domains to improve the
sequential recommendation performance of a single domain. Solving CDSR is
challenging. On the one hand, how to retain single domain preferences as well
as integrate cross-domain influence remains an essential problem. On the other
hand, the data sparsity problem cannot be totally solved by simply utilizing
knowledge from other domains, due to the limited length of the merged
sequences. To address the challenges, we propose DDGHM, a novel framework for
the CDSR problem, which includes two main modules, i.e., dual dynamic graph
modeling and hybrid metric training. The former captures intra-domain and
inter-domain sequential transitions through dynamically constructing two-level
graphs, i.e., the local graphs and the global graph, and incorporating them
with a fuse attentive gating mechanism. The latter enhances user and item
representations by employing hybrid metric learning, including collaborative
metric for achieving alignment and contrastive metric for preserving
uniformity, to further alleviate data sparsity issue and improve prediction
accuracy. We conduct experiments on two benchmark datasets and the results
demonstrate the effectiveness of DDHMG.
- Abstract(参考訳): Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。
しかし、短い相互作用列は既存のSRの性能を制限する。
本論文では,他のドメインからの情報を活用して,単一ドメインのシーケンシャルレコメンデーション性能を向上させることを目的とした,クロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。
CDSRの解決は難しい。
一方、単一ドメインの選好を維持し、ドメイン間の影響力を統合する方法は、依然として重要な問題である。
一方、マージシーケンスの長さが限られているため、他のドメインからの知識を単純に活用すれば、データの疎結合問題は完全には解決できない。
そこで我々は,cdsr問題に対する新しいフレームワークであるddghmを提案する。ddghmには2つの主要なモジュール,すなわちデュアルダイナミックグラフモデリングとハイブリッドメトリックトレーニングが含まれている。
前者は、局所グラフと大域グラフの2段階グラフを動的に構築し、それらをヒューズ注意ゲーティング機構に組み込むことにより、ドメイン内およびドメイン間シーケンシャル遷移をキャプチャする。
後者は、アライメントを達成するための協調メトリックと、均一性を維持するためのコントラストメトリックとを含むハイブリッドメトリック学習を用いて、ユーザとアイテムの表現を強化し、データの分散問題を緩和し、予測精度を向上させる。
2つのベンチマークデータセットで実験を行い、DDHMGの有効性を実証した。
関連論文リスト
- Cracking the Code of Negative Transfer: A Cooperative Game Theoretic
Approach for Cross-Domain Sequential Recommendation [23.531113546036856]
Cross-Domain Sequential Recommendation (CDSR)は、複数のドメインの情報を使って正確で多様なレコメンデーションを生成する有望な方法である。
本稿では,あるドメインから別のドメインへの負の転送範囲を評価することにより,負の転送の問題に対処する新しいCDSRフレームワークを提案する。
我々は,10の異なる領域にまたがる2つの実世界のデータセットのモデル性能において,我々のモデルは先行研究よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-11-22T06:30:54Z) - Improving Anomaly Segmentation with Multi-Granularity Cross-Domain
Alignment [17.086123737443714]
異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。
既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。
シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
論文 参考訳(メタデータ) (2023-08-16T22:54:49Z) - Towards Lightweight Cross-domain Sequential Recommendation via External
Attention-enhanced Graph Convolution Network [7.1102362215550725]
クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。
上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。
フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
論文 参考訳(メタデータ) (2023-02-07T03:06:29Z) - Time Interval-enhanced Graph Neural Network for Shared-account
Cross-domain Sequential Recommendation [44.34610028544989]
共有アカウント クロスドメイン シークエンシャルレコメンデーション(SCSR)タスクは、複数のドメインにおける混合ユーザ動作を活用することで、次の項目を推奨することを目的としている。
既存のSCSRの研究は主に、リカレントニューラルネットワーク(RNN)ベースのモデルによるシーケンシャルパターンのマイニングに依存している。
上記の課題に対処するために,新たなグラフベースのソリューションTiDA-GCNを提案する。
論文 参考訳(メタデータ) (2022-06-16T10:06:01Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-06-06T05:12:48Z) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳(メタデータ) (2021-12-08T15:14:26Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳(メタデータ) (2020-03-09T12:25:13Z)
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。