論文の概要: Sequential Recommendation with Probabilistic Logical Reasoning
- arxiv url: http://arxiv.org/abs/2304.11383v2
- Date: Mon, 15 May 2023 14:39:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 21:04:45.602462
- Title: Sequential Recommendation with Probabilistic Logical Reasoning
- Title(参考訳): 確率的論理推論を用いた逐次レコメンデーション
- Authors: Huanhuan Yuan, Pengpeng Zhao, Xuefeng Xian and Guanfeng Liu and Victor
S. Sheng and Lei Zhao
- Abstract要約: 我々は、Deep Neural Network (DNN) SRモデルと論理的推論を組み合わせる。
このフレームワークにより、SR-PLRは類似性マッチングと論理的推論の両方の利点を享受できる。
様々なシーケンシャルレコメンデーションモデルの実験は、SR-PLRの有効性を示す。
- 参考スコア(独自算出の注目度): 24.908805534534547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning and symbolic learning are two frequently employed methods in
Sequential Recommendation (SR). Recent neural-symbolic SR models demonstrate
their potential to enable SR to be equipped with concurrent perception and
cognition capacities. However, neural-symbolic SR remains a challenging problem
due to open issues like representing users and items in logical reasoning. In
this paper, we combine the Deep Neural Network (DNN) SR models with logical
reasoning and propose a general framework named Sequential Recommendation with
Probabilistic Logical Reasoning (short for SR-PLR). This framework allows
SR-PLR to benefit from both similarity matching and logical reasoning by
disentangling feature embedding and logic embedding in the DNN and
probabilistic logic network. To better capture the uncertainty and evolution of
user tastes, SR-PLR embeds users and items with a probabilistic method and
conducts probabilistic logical reasoning on users' interaction patterns. Then
the feature and logic representations learned from the DNN and logic network
are concatenated to make the prediction. Finally, experiments on various
sequential recommendation models demonstrate the effectiveness of the SR-PLR.
- Abstract(参考訳): 深層学習と記号学習は、逐次勧告(SR)においてよく用いられる方法である。
最近のニューラルシンボリックSRモデルは、SRが同時に知覚能力と認知能力を備える可能性を示している。
しかし、ユーザーやアイテムを論理的推論で表現するといったオープンな問題のために、ニューラルネットワークの象徴的SRは依然として難しい問題である。
本稿では,ディープニューラルネットワーク(dnn)srモデルを論理推論と組み合わせ,確率的論理推論(sr-plrの略)を用いた逐次推奨という一般的な枠組みを提案する。
このフレームワークにより、SR-PLRはDNNと確率論理ネットワークに機能埋め込みとロジック埋め込みを分離することで、類似性マッチングと論理推論の両方の利点を享受できる。
ユーザの嗜好の不確実性と進化をよりよく捉えるため、SR-PLRはユーザとアイテムを確率論的手法で埋め込み、ユーザのインタラクションパターンに確率論的論理的推論を行う。
次に、dnnおよび論理ネットワークから学習した特徴と論理表現を連結して予測を行う。
最後に、様々なシーケンシャルレコメンデーションモデルに対する実験により、SR-PLRの有効性を示す。
関連論文リスト
Err
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。