論文の概要: Heterogeneous Information Crossing on Graphs for Session-based
Recommender Systems
- arxiv url: http://arxiv.org/abs/2210.12940v1
- Date: Mon, 24 Oct 2022 04:02:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 21:46:16.839551
- Title: Heterogeneous Information Crossing on Graphs for Session-based
Recommender Systems
- Title（参考訳）: セッションベースレコメンダシステムのためのグラフ上の異種情報交差
- Authors: Xiaolin Zheng, Rui Wu, Zhongxuan Han, Chaochao Chen, Linxun Chen, Bing
Han
- Abstract要約: グラフ上の異種情報交差(HICG)というグラフに基づく新しい手法を提案する。
HICGは、グラフ上の異種情報を効果的に横断することにより、ユーザの長期的な嗜好によって現在の関心を捉えている。
また、アイテム表現能力を高めるために、コントラスト学習(CL)技術を取り入れたHICG-CLという拡張版も提案する。
- 参考スコア（独自算出の注目度）: 19.959021202757107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems are fundamental information filtering techniques to
recommend content or items that meet users' personalities and potential needs.
As a crucial solution to address the difficulty of user identification and
unavailability of historical information, session-based recommender systems
provide recommendation services that only rely on users' behaviors in the
current session. However, most existing studies are not well-designed for
modeling heterogeneous user behaviors and capturing the relationships between
them in practical scenarios. To fill this gap, in this paper, we propose a
novel graph-based method, namely Heterogeneous Information Crossing on Graphs
(HICG). HICG utilizes multiple types of user behaviors in the sessions to
construct heterogeneous graphs, and captures users' current interests with
their long-term preferences by effectively crossing the heterogeneous
information on the graphs. In addition, we also propose an enhanced version,
named HICG-CL, which incorporates contrastive learning (CL) technique to
enhance item representation ability. By utilizing the item co-occurrence
relationships across different sessions, HICG-CL improves the recommendation
performance of HICG. We conduct extensive experiments on three real-world
recommendation datasets, and the results verify that (i) HICG achieves the
state-of-the-art performance by utilizing multiple types of behaviors on the
heterogeneous graph. (ii) HICG-CL further significantly improves the
recommendation performance of HICG by the proposed contrastive learning module.
- Abstract（参考訳）: リコメンダシステムは、ユーザの個性と潜在的なニーズを満たすコンテンツやアイテムを推薦する基本的な情報フィルタリング技術である。
ユーザ識別の難しさと履歴情報の有効性に対処する重要なソリューションとして,セッションベースの推薦システムは,現在のセッションにおけるユーザの行動のみに依存するレコメンデーションサービスを提供する。
しかし、既存の研究のほとんどは、異種ユーザの振る舞いをモデル化し、それらの関係を現実的なシナリオで捉えるために十分に設計されていない。
本稿では,このギャップを埋めるために,新しいグラフベースの手法,すなわちヘテロジニアス・インフォメーション・クロス・オン・グラフ(HICG)を提案する。
HICGはセッション内の複数の種類のユーザ行動を利用して不均一なグラフを構築し、不均一な情報を効果的に渡すことで、長期的嗜好によってユーザの現在の関心を捉える。
また,項目表現能力を高めるために,コントラスト学習(CL)技術を取り入れたHICG-CLという拡張版も提案する。
HICG-CLは,各セッション間の項目共起関係を利用して,HICGの推薦性能を向上させる。
3つの実世界のレコメンデーションデータセットについて広範な実験を行い,その検証を行った。
(i)HICGは異種グラフ上の複数種類の挙動を利用して最先端の性能を達成する。
(II)HICG-CLは、提案したコントラスト学習モジュールによるHICGの推奨性能をさらに向上させる。
関連論文リスト
- Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。
具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。
次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
論文 参考訳（メタデータ） (2024-08-02T15:38:55Z) - Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。
提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文 参考訳（メタデータ） (2023-11-20T15:01:33Z) - 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) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳（メタデータ） (2023-03-01T05:46:36Z) - 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) - Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
自己監督型ハイパーグラフ変換器(SHT)
自己監督型ハイパーグラフ変換器(SHT)
ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
論文 参考訳（メタデータ） (2022-07-28T18:40:30Z) - Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。
HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。
提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文 参考訳（メタデータ） (2022-04-26T10:06:04Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z)
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。