論文の概要: Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2302.05990v1
• Date: Sun, 12 Feb 2023 19:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 17:31:09.978172
• Title: Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation
• Title（参考訳）: マルチドメインレコメンデーションのためのグラフ構造化クロスドメイン表現のエクスプロイト
• Authors: Alejandro Ariza-Casabona, Bartlomiej Twardowski, Tri Kurniawan Wijaya
• Abstract要約: マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
• 参考スコア（独自算出の注目度）: 71.45854187886088
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-domain recommender systems benefit from cross-domain representation learning and positive knowledge transfer. Both can be achieved by introducing a specific modeling of input data (i.e. disjoint history) or trying dedicated training regimes. At the same time, treating domains as separate input sources becomes a limitation as it does not capture the interplay that naturally exists between domains. In this work, we efficiently learn multi-domain representation of sequential users' interactions using graph neural networks. We use temporal intra- and inter-domain interactions as contextual information for our method called MAGRec (short for Multi-domAin Graph-based Recommender). To better capture all relations in a multi-domain setting, we learn two graph-based sequential representations simultaneously: domain-guided for recent user interest, and general for long-term interest. This approach helps to mitigate the negative knowledge transfer problem from multiple domains and improve overall representation. We perform experiments on publicly available datasets in different scenarios where MAGRec consistently outperforms state-of-the-art methods. Furthermore, we provide an ablation study and discuss further extensions of our method.
• Abstract（参考訳）: マルチドメインレコメンダシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 どちらも、入力データの特定のモデリング(例えば、解離履歴)を導入するか、あるいは専用のトレーニング体制を試すことで達成できる。 同時に、ドメインを独立した入力源として扱うことは、ドメイン間に存在する自然な相互作用をキャプチャしないため制限となる。 本研究では,グラフニューラルネットワークを用いて逐次ユーザインタラクションのマルチドメイン表現を効率的に学習する。 我々は、MAGRec(Multi-domAin Graph-based Recommender)と呼ばれる手法のコンテキスト情報として、時間内およびドメイン間相互作用を用いる。 マルチドメイン環境でのすべての関係をよりよく把握するために、グラフベースのシーケンシャル表現を2つ同時に学習する。 このアプローチは、複数のドメインから負の知識伝達問題を緩和し、全体的な表現を改善するのに役立つ。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。 さらに, アブレーション研究を行い, 本手法のさらなる拡張について考察する。

関連論文リスト

• Adaptive Coordinators and Prompts on Heterogeneous Graphs for Cross-Domain Recommendations [31.05975545409408]
  我々は,マルチドメイングラフを結合構造に統合するフレームワークHAGOを開発した。 また、ユニバーサルなマルチドメイングラフ事前学習戦略も開発している。 提案手法は,マルチドメインレコメンデーションシナリオにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-10-15T15:50:53Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Time Interval-enhanced Graph Neural Network for Shared-account Cross-domain Sequential Recommendation [44.34610028544989]
  共有アカウント クロスドメイン シークエンシャルレコメンデーション(SCSR)タスクは、複数のドメインにおける混合ユーザ動作を活用することで、次の項目を推奨することを目的としている。 既存のSCSRの研究は主に、リカレントニューラルネットワーク(RNN)ベースのモデルによるシーケンシャルパターンのマイニングに依存している。 上記の課題に対処するために,新たなグラフベースのソリューションTiDA-GCNを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:06:01Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation [19.106717948585445]
  我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。 我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。 2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2020-05-21T05:51:15Z)
• Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog [70.79442700890843]
  本稿では,対象ドメインと各ドメインの関連性を自動的に活用する新しい動的核融合ネットワーク(DF-Net)を提案する。 トレーニングデータが少ないと、平均13.9%の事前最良モデルを上回り、転送可能性を示す。
  論文  参考訳（メタデータ） (2020-04-23T08:17:22Z)

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。