論文の概要: Recommending Related Products Using Graph Neural Networks in Directed
Graphs
- arxiv url: http://arxiv.org/abs/2211.11583v1
- Date: Fri, 18 Nov 2022 06:05:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 23:12:53.263217
- Title: Recommending Related Products Using Graph Neural Networks in Directed
Graphs
- Title（参考訳）: 有向グラフにおけるグラフニューラルネットワークを用いた関連製品を推奨する
- Authors: Srinivas Virinchi, Anoop Saladi, Abhirup Mondal
- Abstract要約: 関連する製品レコメンデーション(RPR)は、あらゆるEコマースサービスの成功に欠かせない。
関連製品レコメンデーションのための新しいグラフニューラルネットワーク(GNN)フレームワークであるDAEMONを提案する。
DAEMONはノードレコメンデーションタスクのHitRateとMRRで、最先端のベースラインを30-160%上回ります。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Related product recommendation (RPR) is pivotal to the success of any
e-commerce service. In this paper, we deal with the problem of recommending
related products i.e., given a query product, we would like to suggest top-k
products that have high likelihood to be bought together with it. Our problem
implicitly assumes asymmetry i.e., for a phone, we would like to recommend a
suitable phone case, but for a phone case, it may not be apt to recommend a
phone because customers typically would purchase a phone case only while owning
a phone. We also do not limit ourselves to complementary or substitute product
recommendation. For example, for a specific night wear t-shirt, we can suggest
similar t-shirts as well as track pants. So, the notion of relatedness is
subjective to the query product and dependent on customer preferences. Further,
various factors such as product price, availability lead to presence of
selection bias in the historical purchase data, that needs to be controlled for
while training related product recommendations model. These challenges are
orthogonal to each other deeming our problem nontrivial. To address these, we
propose DAEMON, a novel Graph Neural Network (GNN) based framework for related
product recommendation, wherein the problem is formulated as a node
recommendation task on a directed product graph. In order to capture product
asymmetry, we employ an asymmetric loss function and learn dual embeddings for
each product, by appropriately aggregating features from its neighborhood.
DAEMON leverages multi-modal data sources such as catalog metadata, browse
behavioral logs to mitigate selection bias and generate recommendations for
cold-start products. Extensive offline experiments show that DAEMON outperforms
state-of-the-art baselines by 30-160% in terms of HitRate and MRR for the node
recommendation task.
- Abstract（参考訳）: 関連する製品レコメンデーション(RPR)は、あらゆるEコマースサービスの成功の鍵となる。
本稿では,関連商品を推薦する問題,すなわちクエリ製品を考えると,それと一緒に購入できる確率の高いトップk製品を提案する。
我々の問題は、非対称性、すなわち電話の場合、適切な電話ケースを推奨したいと暗黙的に仮定するが、電話の場合、電話ケースを所有するときにのみ電話ケースを購入するため、電話ケースを推奨しがちである。
補完的あるいは代替的な製品レコメンデーションにも制限はありません。
例えば、特定のナイトウェアTシャツの場合、同様のTシャツとトラックパンツを提案することができる。
したがって、関連性の概念はクエリ製品に主観的であり、顧客の好みに依存します。
さらに、製品価格や可用性といったさまざまな要因は、関連する製品レコメンデーションモデルのトレーニング中に制御される必要のある、過去の購入データに選択バイアスの存在につながる。
これらの課題は、我々の問題を非自明であるとみなす互いに直交している。
そこで本研究では,GNN(Graph Neural Network)をベースとした新たな製品レコメンデーションフレームワークであるDAEMONを提案する。
積の非対称性を捉えるために、非対称損失関数を採用し、その近傍から特徴を適切に集約することにより、各製品に対する二重埋め込みを学習する。
DAEMONはカタログメタデータなどのマルチモーダルデータソースを活用し、行動ログを閲覧することで選択バイアスを緩和し、コールドスタート製品のレコメンデーションを生成する。
大規模なオフライン実験により、DAEMONはノードレコメンデーションタスクのHitRateとMRRで最先端のベースラインを30-160%上回った。
関連論文リスト
- Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction [18.153652861826917]
本稿では,項目推薦問題をリンク予測問題の事例とみなすことができることを示す。
これらの予測精度は,10種類の最先端レコメンデーションモデルと競合することを示す。
論文 参考訳（メタデータ） (2024-09-11T17:27:04Z) - Personalized Federated Domain Adaptation for Item-to-Item Recommendation [11.65452674504235]
アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。
グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。
我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
論文 参考訳（メタデータ） (2023-06-05T19:06:18Z) - Two Is Better Than One: Dual Embeddings for Complementary Product
Recommendations [2.294014185517203]
製品に2つの埋め込み表現を活用することで、補足的項目の発見に新しいアプローチを適用する。
我々のモデルは実装が簡単であり、あらゆるeコマースウェブサイトで補完的なアイテムレコメンデーションを生成するための優れた候補となる。
論文 参考訳（メタデータ） (2022-11-28T00:58:21Z) - Sequential Recommendation with Auxiliary Item Relationships via
Multi-Relational Transformer [74.64431400185106]
逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。
具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。
第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
論文 参考訳（メタデータ） (2022-10-24T19:49:17Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - Recommending Insurance products by using Users' Sentiments [1.781752200298391]
本稿では,保険分野におけるレコメンデーションへの感情分析の適用に焦点を当てる。
我々は、与えられたフィードバックラインの極性を分析するために、以下の機械学習モデルを構築した。
私たちのモデルの単純さとキーデータセットの欠如にもかかわらず、結果は極めて論理的でリアルに見えました。
論文 参考訳（メタデータ） (2021-08-05T04:48:08Z) - Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
テキスト製品情報(例)の両方を使用します。
製品タイトルと説明)と代替製品を推奨する顧客の行動データ。
その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
論文 参考訳（メタデータ） (2021-04-15T16:27:45Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-02-16T02:08:52Z) - Pre-training Graph Transformer with Multimodal Side Information for
Recommendation [82.4194024706817]
本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。
我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。
The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
論文 参考訳（メタデータ） (2020-10-23T10:30:24Z) - COOKIE: A Dataset for Conversational Recommendation over Knowledge
Graphs in E-commerce [64.95907840457471]
我々は,COOKIEと呼ばれる電子商取引プラットフォームにおける知識グラフに対する対話的推薦のための新しいデータセットを提案する。
データセットはAmazonのレビューコーパスから構築され、ユーザエージェント対話とカスタムナレッジグラフを統合してレコメンデーションする。
論文 参考訳（メタデータ） (2020-08-21T00:11:31Z)
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。