論文の概要: SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2302.03997v1
• Date: Wed, 8 Feb 2023 11:13:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 16:37:41.242843
• Title: SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation
• Title（参考訳）: simcgnn:セッションベースレコメンデーションのための単純なコントラストグラフニューラルネットワーク
• Authors: Yuan Cao, Xudong Zhang, Fan Zhang, Feifei Kou, Josiah Poon, Xiongnan Jin, Yongheng Wang and Jinpeng Chen
• Abstract要約: セッションベースのレコメンデーション問題は、匿名ユーザの次のイテム予測に焦点を当てている。 既存のグラフベースのSBRメソッドには、すべてのセッションを同じアイテムで区別する機能がない。 本稿ではセッションベースレコメンデーション(SimCGNN)のための単純なコントラストグラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 13.335104151715946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-based recommendation (SBR) problem, which focuses on next-item prediction for anonymous users, has received increasingly more attention from researchers. Existing graph-based SBR methods all lack the ability to differentiate between sessions with the same last item, and suffer from severe popularity bias. Inspired by nowadays emerging contrastive learning methods, this paper presents a Simple Contrastive Graph Neural Network for Session-based Recommendation (SimCGNN). In SimCGNN, we first obtain normalized session embeddings on constructed session graphs. We next construct positive and negative samples of the sessions by two forward propagation and a novel negative sample selection strategy, and then calculate the constructive loss. Finally, session embeddings are used to give prediction. Extensive experiments conducted on two real-word datasets show our SimCGNN achieves a significant improvement over state-of-the-art methods.
• Abstract（参考訳）: 匿名ユーザに対する次の項目予測に焦点を当てたセッションベースレコメンデーション(sbr)問題は、研究者からますます注目を集めている。 既存のグラフベースのSBRメソッドには、すべて同じ最終項目のセッションを区別する能力がなく、重大な人気バイアスに悩まされている。 近年のコントラスト学習法に着想を得て,セッションベースレコメンデーション(simcgnn)のための単純なコントラストグラフニューラルネットワークを提案する。 SimCGNNでは、構築したセッショングラフ上に正規化されたセッション埋め込みを得る。 次に,2つの前方伝播と新規な負のサンプル選択戦略によりセッションの正および負のサンプルを構築し,構成的損失を算出する。 最後に、セッション埋め込みが予測に使用される。 2つの実単語データセットで広範な実験を行った結果,simcgnnは最先端手法よりも大幅に改善した。

関連論文リスト

• DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
  本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。 実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-24T07:07:41Z)
• 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)
• STAR: A Session-Based Time-Aware Recommender System [8.122270502556372]
  セッションベースレコメンダ(SBR)は,セッションにおける過去のインタラクションに関するユーザの次の好みを予測することを目的としている。 本稿では,SBRの性能向上におけるセッション時間情報の可能性について検討する。 本稿では、セッション内のイベント間の時間間隔を利用して、アイテムやセッションのより情報的な表現を構築するSTARフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-11T18:25:48Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• 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)
• G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
  セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。 G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。 2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
  論文  参考訳（メタデータ） (2022-03-12T15:44:03Z)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-12T10:12:48Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
  Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。 具体的には、対照的な学習方法でネットワークをトレーニングする。 各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
  論文  参考訳（メタデータ） (2021-03-24T07:26:07Z)
• DGTN: Dual-channel Graph Transition Network for Session-based Recommendation [19.345913200934902]
  本稿では,DGTN(Dual-channel Graph Transition Network)という新しい手法を提案し,対象セッションだけでなく,近隣セッションの項目遷移をモデル化する。 実世界のデータセットの実験では、DGTNは他の最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-09-21T16:29:29Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。