Fugu-MT 論文翻訳(概要): Self-supervised Graph-based Point-of-interest Recommendation

論文の概要: Self-supervised Graph-based Point-of-interest Recommendation

arxiv url: http://arxiv.org/abs/2210.12506v1
Date: Sat, 22 Oct 2022 17:29:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 18:13:10.540409
Title: Self-supervised Graph-based Point-of-interest Recommendation
Title（参考訳）: 自己教師付きグラフに基づく関心点推薦
Authors: Yang Li, Tong Chen, Peng-Fei Zhang, Zi Huang, Hongzhi Yin
Abstract要約: Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
参考スコア（独自算出の注目度）: 66.58064122520747
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The exponential growth of Location-based Social Networks (LBSNs) has greatly stimulated the demand for precise location-based recommendation services. Next Point-of-Interest (POI) recommendation, which aims to provide personalised POI suggestions for users based on their visiting histories, has become a prominent component in location-based e-commerce. Recent POI recommenders mainly employ self-attention mechanism or graph neural networks to model complex high-order POI-wise interactions. However, most of them are merely trained on the historical check-in data in a standard supervised learning manner, which fail to fully explore each user's multi-faceted preferences, and suffer from data scarcity and long-tailed POI distribution, resulting in sub-optimal performance. To this end, we propose a Self-s}upervised Graph-enhanced POI Recommender (S2GRec) for next POI recommendation. In particular, we devise a novel Graph-enhanced Self-attentive layer to incorporate the collaborative signals from both global transition graph and local trajectory graphs to uncover the transitional dependencies among POIs and capture a user's temporal interests. In order to counteract the scarcity and incompleteness of POI check-ins, we propose a novel self-supervised learning paradigm in \ssgrec, where the trajectory representations are contrastively learned from two augmented views on geolocations and temporal transitions. Extensive experiments are conducted on three real-world LBSN datasets, demonstrating the effectiveness of our model against state-of-the-art methods.
Abstract（参考訳）: 位置情報ベースのソーシャルネットワーク(LBSN)の指数的な成長は、正確な位置情報ベースのレコメンデーションサービスの需要を大いに刺激している。訪問履歴に基づく個人化されたPOI提案をユーザに提供することを目的とした、次のPOIレコメンデーションは、位置情報ベースのeコマースにおいて顕著な要素となっている。最近のPOIレコメンダは主に、複雑な高次POI-wiseインタラクションをモデル化するために、自己アテンションメカニズムまたはグラフニューラルネットワークを使用している。しかし、それらの多くは、標準的な教師付き学習方法で履歴チェックインデータに基づいて訓練されているだけであり、これは各ユーザの多面的嗜好を十分に探索できず、データの不足と長い尾のPOI分布に悩まされ、結果として準最適性能をもたらす。この目的のために、次のPOIレコメンデーションのために、Self-s}upervised Graph-enhanced POI Recommender (S2GRec)を提案する。特に,新しいグラフエンハンス層を考案し,グローバル遷移グラフと局所軌道グラフの両方からの協調信号を取り込んで,pois間の遷移依存性を解明し,ユーザの時間的関心を捉える。本稿では,POIチェックインの欠如と不完全性に対処するために,軌跡表現を位置情報と時間遷移に関する2つの拡張的視点から対照的に学習する,新たな自己教師型学習パラダイムを \ssgrec で提案する。実世界の3つのLBSNデータセットを用いて大規模な実験を行い,本モデルの有効性を実証した。

関連論文リスト

Bi-Level Graph Structure Learning for Next POI Recommendation [28.44264733067864]
Next Point-of-interest(POI)推奨は、シーケンシャルなチェックイン履歴と一連のPOI候補に基づいて、ユーザの次の目的地を予測することを目的としている。本稿では,新しい2段階グラフ構造学習(BiGSL)を提案する。
論文参考訳（メタデータ） (2024-11-02T07:40:16Z)
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-06T01:33:24Z)
Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
論文参考訳（メタデータ） (2023-11-01T12:47:38Z)
Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文参考訳（メタデータ） (2023-08-21T15:57:57Z)
Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文参考訳（メタデータ） (2022-09-12T09:19:22Z)
Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification [37.025295828186955]
欠落したPOIカテゴリを識別する新しいニューラルネットワーク手法を提案する。具体的には、チェックインカテゴリ情報が、個人以外の遷移パターンや個人の好みとどのように一致しているかをモデル化するアテンションマッチングセルを設計する。我々のモデルは、競争力のある次のPOIカテゴリの推薦や予測タスクに対処するために自然に拡張することができる。
論文参考訳（メタデータ） (2021-12-31T04:15:37Z)
Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
論文参考訳（メタデータ） (2021-12-31T03:54:37Z)
Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文参考訳（メタデータ） (2020-10-21T06:35:26Z)
STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation [22.705788963791445]
Next Point-of-Interest(POI)推奨は、位置情報ベースのソーシャルネットワーク(LBSN)と交通機関の領域にまたがる長年にわたる問題である。最近のリカレントニューラルネットワーク(RNN)に基づくアプローチは、独立したユーザ訪問シーケンスに基づいて、ローカルビューでPOI-POI関係を学習する。本研究では,個人化されたユーザの嗜好を同時に活用し,グローバルな空間的・時間的嗜好地区における新たなPOIを探索する新しい探索・探索モデルを提案する。
論文参考訳（メタデータ） (2020-10-06T04:03:42Z)

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。