論文の概要: LogicRec: Recommendation with Users' Logical Requirements

• arxiv url: http://arxiv.org/abs/2304.11722v1
• Date: Sun, 23 Apr 2023 18:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 16:46:00.929535
• Title: LogicRec: Recommendation with Users' Logical Requirements
• Title（参考訳）: LogicRec: ユーザの論理的要件による推奨
• Authors: Zhenwei Tang, Griffin Floto, Armin Toroghi, Shichao Pei, Xiangliang Zhang, Scott Sanner
• Abstract要約: ユーザの論理的要件(LogicRec)で推奨問題を定式化する。 論理的要求検索とユーザ嗜好検索に基づくLogicRecの初期解を提案する。
• 参考スコア（独自算出の注目度）: 29.892669049903034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Users may demand recommendations with highly personalized requirements involving logical operations, e.g., the intersection of two requirements, where such requirements naturally form structured logical queries on knowledge graphs (KGs). To date, existing recommender systems lack the capability to tackle users' complex logical requirements. In this work, we formulate the problem of recommendation with users' logical requirements (LogicRec) and construct benchmark datasets for LogicRec. Furthermore, we propose an initial solution for LogicRec based on logical requirement retrieval and user preference retrieval, where we face two challenges. First, KGs are incomplete in nature. Therefore, there are always missing true facts, which entails that the answers to logical requirements can not be completely found in KGs. In this case, item selection based on the answers to logical queries is not applicable. We thus resort to logical query embedding (LQE) to jointly infer missing facts and retrieve items based on logical requirements. Second, answer sets are under-exploited. Existing LQE methods can only deal with query-answer pairs, where queries in our case are the intersected user preferences and logical requirements. However, the logical requirements and user preferences have different answer sets, offering us richer knowledge about the requirements and preferences by providing requirement-item and preference-item pairs. Thus, we design a multi-task knowledge-sharing mechanism to exploit these answer sets collectively. Extensive experimental results demonstrate the significance of the LogicRec task and the effectiveness of our proposed method.
• Abstract（参考訳）: ユーザは、論理的な操作を含む高度にパーソナライズされた要求、例えば、知識グラフ(KG)上の構造化論理的なクエリを自然に形成する2つの要件の交わりを要求できる。 これまで、既存のレコメンダシステムは、ユーザの複雑な論理要件に対処できない。 本研究では,ユーザの論理的要件(LogicRec)による推奨問題を定式化し,LogicRecのベンチマークデータセットを構築する。 さらに,論理要件検索とユーザ嗜好検索に基づく論理recの初期解法を提案し,2つの課題に直面する。 第一に、kgは自然に不完全である。 そのため、論理的な要求に対する答えがkgsで完全には見つからないという真の事実が常に欠落している。 この場合、論理クエリに対する回答に基づく項目の選択は適用されない。 そこで我々は,欠落した事実を共同で推測し,論理的要求に基づいて項目を検索するために論理的クエリ埋め込み(LQE)を利用する。 第2に,回答セットが不足している。 既存のLQEメソッドはクエリと問合せのペアにしか対応できません。 しかし、論理的要件とユーザの嗜好は異なる回答セットを持ち、要求項目と優先項目のペアを提供することで、要求と選好についてより豊富な知識を提供する。 そこで我々はこれらの解集合をまとめて活用するマルチタスク知識共有機構を設計する。 広範な実験結果から,logicrecタスクの意義と提案手法の有効性が示された。

関連論文リスト

• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。 任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。 広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Prompt-fused framework for Inductive Logical Query Answering [31.736934787328156]
  本稿では,Pro-QEという問合せ対応のプロンプトフューズフレームワークを提案する。 論理的クエリにおける未知のエンティティの問題に,我々のモデルがうまく対処できることが示される。
  論文  参考訳（メタデータ） (2024-03-19T11:30:30Z)
• Neuro-Symbolic Recommendation Model based on Logic Query [16.809190067920387]
  本稿では,ユーザ履歴のインタラクションを論理表現に変換するニューロシンボリックレコメンデーションモデルを提案する。 論理式はニューラルネットワークのモジュラー論理演算に基づいて計算される。 3つのよく知られたデータセットによる実験により,本手法は浅部,深部,セッション,推論モデルと比較し,性能が良好であることが確認された。
  論文  参考訳（メタデータ） (2023-09-14T10:54:48Z)
• Complex Query Answering on Eventuality Knowledge Graph with Implicit Logical Constraints [48.831178420807646]
  我々は、EVentuality中心のKGに基づいて、ニューラルネットワークを利用して複雑な論理的クエリに応答する新しいフレームワークを提案する。 複合事象性クエリ・アンサーリング(CEQA)は、時間的順序と事象の発生を規定する暗黙の論理的制約を考察する。 また、CEQAタスク上での最先端のニューラルクエリエンコーダの性能を大幅に向上させるメモリ拡張クエリ(MEQE)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T14:29:24Z)
• Query Structure Modeling for Inductive Logical Reasoning Over Knowledge Graphs [67.043747188954]
  KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。 線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。 2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-23T01:25:29Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Fuzzy Logic based Logical Query Answering on Knowledge Graph [37.039516386710716]
  本稿では,FOLクエリをKG上で応答するファジィ論理ベースのクエリ埋め込みフレームワークFuzzQEを提案する。 ファジィQEはファジィ論理に従い、原理的かつ学習的な方法で論理演算子を定義する。 2つのベンチマークデータセットの実験では、FOLクエリに対するFzzQEのパフォーマンスが大幅に向上している。
  論文  参考訳（メタデータ） (2021-08-05T05:54:00Z)
• Logic-Driven Context Extension and Data Augmentation for Logical Reasoning of Text [65.24325614642223]
  論理的な記号や表現をテキストで理解し、答えにたどり着くよう提案します。 このような論理的情報に基づいて,文脈拡張フレームワークとデータ拡張アルゴリズムを提案する。 本手法は最先端の性能を実現し,論理駆動コンテキスト拡張フレームワークとデータ拡張アルゴリズムの両方が精度向上に寄与する。
  論文  参考訳（メタデータ） (2021-05-08T10:09:36Z)
• Logic Embeddings for Complex Query Answering [56.25151854231117]
  skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。 論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
  論文  参考訳（メタデータ） (2021-02-28T07:52:37Z)

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。