論文の概要: Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation

• arxiv url: http://arxiv.org/abs/2305.05848v1
• Date: Wed, 10 May 2023 02:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 14:47:22.439354
• Title: Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation
• Title（参考訳）: セッションベース新項目推薦のためのデュアルインテント強化グラフニューラルネットワーク
• Authors: Di Jin, Luzhi Wang, Yizhen Zheng, Guojie Song, Fei Jiang, Xiang Li, Wei Lin, Shirui Pan
• Abstract要約: セッションベースレコメンデーションのためのデュアルインテント拡張グラフニューラルネットワークを提案する。 我々は,注意機構と履歴データの分布からユーザ意図を学習する。 対応する項目のレコメンデーションスコアを含む新項目確率を出力することにより、より高いスコアを持つ新項目をユーザに推奨する。
• 参考スコア（独自算出の注目度）: 74.81561396321712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems are essential to various fields, e.g., e-commerce, e-learning, and streaming media. At present, graph neural networks (GNNs) for session-based recommendations normally can only recommend items existing in users' historical sessions. As a result, these GNNs have difficulty recommending items that users have never interacted with (new items), which leads to a phenomenon of information cocoon. Therefore, it is necessary to recommend new items to users. As there is no interaction between new items and users, we cannot include new items when building session graphs for GNN session-based recommender systems. Thus, it is challenging to recommend new items for users when using GNN-based methods. We regard this challenge as '\textbf{G}NN \textbf{S}ession-based \textbf{N}ew \textbf{I}tem \textbf{R}ecommendation (GSNIR)'. To solve this problem, we propose a dual-intent enhanced graph neural network for it. Due to the fact that new items are not tied to historical sessions, the users' intent is difficult to predict. We design a dual-intent network to learn user intent from an attention mechanism and the distribution of historical data respectively, which can simulate users' decision-making process in interacting with a new item. To solve the challenge that new items cannot be learned by GNNs, inspired by zero-shot learning (ZSL), we infer the new item representation in GNN space by using their attributes. By outputting new item probabilities, which contain recommendation scores of the corresponding items, the new items with higher scores are recommended to users. Experiments on two representative real-world datasets show the superiority of our proposed method. The case study from the real-world verifies interpretability benefits brought by the dual-intent module and the new item reasoning module. The code is available at Github: https://github.com/Ee1s/NirGNN
• Abstract（参考訳）: 推薦システムは、eコマース、eラーニング、ストリーミングメディアなど、さまざまな分野に不可欠である。 現在、セッションベースのレコメンデーションのためのグラフニューラルネットワーク(GNN)は、通常、ユーザの過去のセッションに存在する項目のみを推奨できる。 結果として、これらのGNNは、ユーザーが一度も関わったことのないアイテム(新しいアイテム)を推薦することが困難であり、情報コクーンの現象につながる。 したがって、ユーザに新しいアイテムを推薦する必要がある。 新たな項目とユーザ間のインタラクションがないため,GNNセッションベースレコメンデータシステムのためのセッショングラフを構築する際には,新たな項目を含めることはできない。 したがって、GNNベースの手法を使用する場合、ユーザに新しい項目を推薦することは困難である。 我々はこの課題を '\textbf{G}NN \textbf{S}ession-based \textbf{N}ew \textbf{I}tem \textbf{R}ecommendation (GSNIR)' とみなしている。 この問題を解決するために,デュアルインテント拡張グラフニューラルネットワークを提案する。 新たな項目が過去のセッションと結びついていないため,ユーザの意図を予測することは困難である。 我々は,注目機構と履歴データの分布からユーザ意図を学習するデュアルインテントネットワークを設計し,新しい項目と対話する際のユーザの意思決定過程をシミュレートする。 ゼロショット学習(ZSL)にインスパイアされたGNNでは新しい項目を学習できないという課題を解決するために,その属性を用いて,GNN空間における新しい項目表現を推論する。 対応する項目の推薦スコアを含む新項目確率を出力することにより、より高いスコアを持つ新項目をユーザに推奨する。 2つの代表的な実世界のデータセットに対する実験により,提案手法の優位性を示した。 実世界のケーススタディは、デュアルインテントモジュールと新しいアイテム推論モジュールがもたらす解釈可能性の利点を検証する。 コードはgithubで入手できる: https://github.com/ee1s/nirgnn

関連論文リスト

• Learning Social Graph for Inactive User Recommendation [50.090904659803854]
  LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。 実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-05-08T03:40:36Z)
• Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
  本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。 KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2024-03-21T13:09:23Z)
• Dual Policy Learning for Aggregation Optimization in Graph Neural Network-based Recommender Systems [4.026354668375411]
  本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。 このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。 提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
  論文  参考訳（メタデータ） (2023-02-21T09:47:27Z)
• Graph Spring Network and Informative Anchor Selection for Session-based Recommendation [2.6524289609910654]
  セッションベースのレコメンデーション(SBR)は、進行中の匿名セッションの次の項目を予測することを目的としている。 SBRの最大の課題は、アイテム間のリッチな関係をキャプチャし、IDベースのアイテム埋め込みを学習してそのような関係をキャプチャする方法である。 我々は、アイテムグラフに埋め込まれたIDベースのアイテムを学習するために、グラフスプリングネットワーク(GSN)と呼ばれる新しいグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-19T02:47:44Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking [62.634516517844496]
  本稿では,解釈可能なルールとニューラルネットワークの性能を併用したニューラルシンボリックアプローチであるLNN-ELを提案する。 ルールの使用に制約があるにもかかわらず、LNN-ELはSotAのブラックボックスニューラルアプローチと競合する。
  論文  参考訳（メタデータ） (2021-06-17T20:22:45Z)
• Counterfactual Explanations for Neural Recommenders [10.880181451789266]
  神経レコメンダーの非現実的な説明を見つけるための最初の一般的なフレームワークであるACCENTを提案する。 我々はACCENTを使って2つの一般的なニューラルモデルに対する反実的説明を生成する。
  論文  参考訳（メタデータ） (2021-05-11T13:16:18Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)

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。