論文の概要: GPatch: Patching Graph Neural Networks for Cold-Start Recommendations
- arxiv url: http://arxiv.org/abs/2209.12215v1
- Date: Sun, 25 Sep 2022 13:16:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:02:44.548353
- Title: GPatch: Patching Graph Neural Networks for Cold-Start Recommendations
- Title（参考訳）: GPatch:コールドスタートレコメンデーションのためのグラフニューラルネットワークのパッチ
- Authors: Hao Chen, Zefan Wang, Yue Xu, Xiao Huang, Feiran Huang
- Abstract要約: コールドスタートはレコメンデータシステムにおいて不可欠で永続的な問題です。
最先端のソリューションは、コールドスタートと既存のユーザ/イテムの両方のためのハイブリッドモデルのトレーニングに依存しています。
本稿では,2つの別個のコンポーネントを含むGNNベースのフレームワーク(GPatch)を提案する。
- 参考スコア（独自算出の注目度）: 20.326139541161194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cold start is an essential and persistent problem in recommender systems.
State-of-the-art solutions rely on training hybrid models for both cold-start
and existing users/items, based on the auxiliary information. Such a hybrid
model would compromise the performance of existing users/items, which might
make these solutions not applicable in real-worlds recommender systems where
the experience of existing users/items must be guaranteed. Meanwhile, graph
neural networks (GNNs) have been demonstrated to perform effectively warm
(non-cold-start) recommendations. However, they have never been applied to
handle the cold-start problem in a user-item bipartite graph. This is a
challenging but rewarding task since cold-start users/items do not have links.
Besides, it is nontrivial to design an appropriate GNN to conduct cold-start
recommendations while maintaining the performance for existing users/items. To
bridge the gap, we propose a tailored GNN-based framework (GPatch) that
contains two separate but correlated components. First, an efficient GNN
architecture -- GWarmer, is designed to model the warm users/items. Second, we
construct correlated Patching Networks to simulate and patch GWarmer by
conducting cold-start recommendations. Experiments on benchmark and large-scale
commercial datasets demonstrate that GPatch is significantly superior in
providing recommendations for both existing and cold-start users/items.
- Abstract（参考訳）: コールドスタートはレコメンダシステムにおいて必須かつ永続的な問題である。
最先端のソリューションは、補助情報に基づいて、コールドスタートと既存ユーザ/テーマの両方のハイブリッドモデルをトレーニングする。
このようなハイブリッドモデルは、既存のユーザ/イテムのパフォーマンスを損なう可能性があるため、既存のユーザ/イテムのエクスペリエンスを保証しなければならない現実世界のレコメンデーションシステムでは、これらのソリューションが適用できない可能性がある。
一方、グラフニューラルネットワーク(GNN)は、効果的に暖かい(非コールドスタート)レコメンデーションを実行することが実証されている。
しかしながら、ユーザ項目2部グラフのコールドスタート問題に対処するために適用されたことはない。
コールドスタートのユーザーやイテムにはリンクがないため、これは難しいが報いる作業だ。
さらに、既存のユーザ/テーマのパフォーマンスを維持しながら、コールドスタートの推奨を行うための適切なgnnを設計することも簡単ではない。
このギャップを埋めるために,2つの異なる相関成分を含むGNNベースのフレームワーク(GPatch)を提案する。
まず、効率的なGNNアーキテクチャ -- GWarmerは、温かいユーザ/イテムをモデル化するために設計されている。
第2に,相関パッチネットワークを構築し,コールドスタートレコメンデーションを行うことでグワーマーをシミュレートし,パッチを施す。
ベンチマークおよび大規模商用データセットに関する実験では、gpatchが既存のユーザとコールドスタートユーザ/テーマの両方に推奨を提供するのに優れていることが示されている。
関連論文リスト
- Graph Neural Patching for Cold-Start Recommendations [16.08395433358279]
コールドスタートレコメンデーション(GNP)のためのグラフニューラルパッチについて紹介する。
GNPは2つの機能を持つカスタマイズされたGNNフレームワークである。GWarmerは、既存の温かいユーザ/イベントの協調シグナルをモデリングし、Patching Networksは、GWarmerのコールドスタートレコメンデーションのパフォーマンスをシミュレートし、拡張する。
3つのベンチマークデータセットに対する大規模な実験は、温かみと寒さの両方のユーザ/イテムを推奨するGNPの優位性を確認している。
論文 参考訳（メタデータ） (2024-10-18T07:44:12Z) - Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。
我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
論文 参考訳（メタデータ） (2024-10-10T06:48:27Z) - Graph Reasoning for Explainable Cold Start Recommendation [1.8434042562191815]
新しいユーザーやアイテムがインタラクション履歴を持たないコールドスタート問題は、レコメンデーションシステムにおいて依然として重要な課題である。
コールドスタートレコメンデーションにグラフ推論手法を適用するためのフレームワークであるGRECSを提案する。
実験の結果, GRECSはコールドスタート問題を緩和し, 説明可能ながら, 競争ベースラインを上回っていることがわかった。
論文 参考訳（メタデータ） (2024-06-11T16:21:57Z) - Node Duplication Improves Cold-start Link Prediction [52.917775253887264]
グラフニューラルネットワーク(GNN)は、グラフ機械学習において顕著である。
近年の研究では、GNNは低次ノードで良い結果を出すのに苦労していることが示されている。
我々はNodeDupと呼ばれるシンプルだが驚くほど効果的な拡張手法を提案する。
論文 参考訳（メタデータ） (2024-02-15T05:07:39Z) - Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems [10.133475523630139]
コールドスタートレコメンデーションは、レコメンダシステム(RS)が直面する大きな課題の1つです。
本稿では,コールドスタートユーザとウォームアップユーザをそれぞれモデル化する専門家モデルに基づいて,コールド&ウォームネットを提案する。
提案モデルはまた,産業用ショートビデオプラットフォーム上に展開され,アプリドウェル時間とユーザ保持率の大幅な向上を実現している。
論文 参考訳（メタデータ） (2023-09-27T13:31:43Z) - Dual Intent Enhanced Graph Neural Network for Session-based New Item
Recommendation [74.81561396321712]
セッションベースレコメンデーションのためのデュアルインテント拡張グラフニューラルネットワークを提案する。
我々は,注意機構と履歴データの分布からユーザ意図を学習する。
対応する項目のレコメンデーションスコアを含む新項目確率を出力することにより、より高いスコアを持つ新項目をユーザに推奨する。
論文 参考訳（メタデータ） (2023-05-10T02:42:12Z) - A Multi-Strategy based Pre-Training Method for Cold-Start Recommendation [28.337475919795008]
コールドスタート問題はレコメンデーションタスクの根本的な課題である。
グラフニューラルネットワーク(GNN)モデルにおける最近の自己教師付き学習(SSL)であるPT-GNNは、コールドスタート埋め込みを再構築するためにGNNモデルを事前訓練する。
本稿では,PT-GNNをモデルアーキテクチャやプレテキストタスクの観点から拡張する,マルチストラテジーに基づく冷間開始推薦(MPT)のための事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-04T08:11:55Z) - Cold Brew: Distilling Graph Node Representations with Incomplete or
Missing Neighborhoods [69.13371028670153]
本稿では,SCS(Strict Cold Start)問題に対する誘導型GNNの有効性を検討するために,FCR(Feature-Contribution ratio)を導入する。
実験により,FCRはグラフデータセットの様々な成分の寄与を阻害し,コールドブリューの優れた性能を示す。
論文 参考訳（メタデータ） (2021-11-08T21:29:25Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳（メタデータ） (2021-10-18T08:11:24Z) - Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。
特権グラフ蒸留モデル(PGD)を提案する。
提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
論文 参考訳（メタデータ） (2021-05-31T14:05:27Z) - Joint Training Capsule Network for Cold Start Recommendation [64.35879555545749]
本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。
低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約するために、注意深いカプセル層を提案する。
2つの公開データセットの実験では、提案モデルの有効性が示されている。
論文 参考訳（メタデータ） (2020-05-23T04:27:38Z)
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。