論文の概要: Attentive Graph-based Text-aware Preference Modeling for Top-N
Recommendation
- arxiv url: http://arxiv.org/abs/2305.12976v1
- Date: Mon, 22 May 2023 12:32:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 16:14:27.319062
- Title: Attentive Graph-based Text-aware Preference Modeling for Top-N
Recommendation
- Title(参考訳): Top-Nレコメンデーションのための注意グラフに基づくテキスト認識参照モデリング
- Authors: Ming-Hao Juan, Pu-Jen Cheng, Hui-Neng Hsu and Pin-Hsin Hsiao
- Abstract要約: 我々はAttentive Graph-based Text-aware Recommendation Model (AGTM) という新しいモデルを提案する。
本研究では,項目テキストコンテンツと高次接続性の両方を効果的にモデル化し,トップNレコメンデーションをさらに改善することを目的としている。
- 参考スコア(独自算出の注目度): 2.3991565023534083
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Textual data are commonly used as auxiliary information for modeling user
preference nowadays. While many prior works utilize user reviews for rating
prediction, few focus on top-N recommendation, and even few try to incorporate
item textual contents such as title and description. Though delivering
promising performance for rating prediction, we empirically find that many
review-based models cannot perform comparably well on top-N recommendation.
Also, user reviews are not available in some recommendation scenarios, while
item textual contents are more prevalent. On the other hand, recent graph
convolutional network (GCN) based models demonstrate state-of-the-art
performance for top-N recommendation. Thus, in this work, we aim to further
improve top-N recommendation by effectively modeling both item textual content
and high-order connectivity in user-item graph. We propose a new model named
Attentive Graph-based Text-aware Recommendation Model (AGTM). Extensive
experiments are provided to justify the rationality and effectiveness of our
model design.
- Abstract(参考訳): 現在、テキストデータはユーザの好みをモデル化するための補助情報として一般的に使われている。
評価予測のために多くの先行研究がユーザーレビューを利用しているが、トップnレコメンデーションに注目することは少なく、タイトルや説明といった項目のテキストコンテンツを取り込もうとする試みも少ない。
評価予測に有望なパフォーマンスを提供する一方で、多くのレビューベースのモデルはトップNレコメンデーションで比較可能なパフォーマンスを達成できないことを実証的に見出した。
また、いくつかのレコメンデーションシナリオではユーザーレビューは利用できないが、項目のテキストコンテンツはより普及している。
一方、最近のグラフ畳み込みネットワーク(GCN)に基づくモデルでは、トップN推薦のための最先端性能が示されている。
そこで本研究では,アイテムのテキストコンテンツと高次接続の両方をユーザ・テーマグラフで効果的にモデル化することにより,トップn勧告をさらに改善することを目指している。
本稿では,Attentive Graph-based Text-aware Recommendation Model (AGTM) という新しいモデルを提案する。
モデル設計の合理性と有効性を正当化するための大規模な実験が提供される。
関連論文リスト
- Confidence-aware Reward Optimization for Fine-tuning Text-to-Image Models [85.96013373385057]
人間のフィードバックデータに基づいて訓練された報酬関数を持つ微調整テキスト・ツー・イメージモデルは、モデル行動と人間の意図との整合性を実証した。
しかし、そのような報酬モデルによる過度な最適化は、単にプロキシの目的として機能し、微調整されたモデルの性能を損なう可能性がある。
本研究では,テキストプロンプトの集合に対して推定された報酬モデル信頼度に基づいてアライメントを強化する手法であるTextNormを提案する。
論文 参考訳(メタデータ) (2024-04-02T11:40:38Z) - EvalCrafter: Benchmarking and Evaluating Large Video Generation Models [70.19437817951673]
これらのモデルはしばしば、マルチアスペクト能力を持つ非常に大きなデータセットで訓練されているので、単純な指標から大きな条件生成モデルを判断することは困難である、と我々は主張する。
我々のアプローチは、テキスト・ツー・ビデオ生成のための700のプロンプトの多種多様な包括的リストを作成することである。
そこで我々は、視覚的品質、コンテンツ品質、動作品質、テキスト・ビデオアライメントの観点から、慎重に設計されたベンチマークに基づいて、最先端のビデオ生成モデルを評価する。
論文 参考訳(メタデータ) (2023-10-17T17:50:46Z) - Text Matching Improves Sequential Recommendation by Reducing Popularity
Biases [48.272381505993366]
TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。
実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-08-27T07:44:33Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳(メタデータ) (2023-08-01T09:31:44Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳(メタデータ) (2022-09-12T09:19:22Z) - Lightweight Compositional Embeddings for Incremental Streaming
Recommendation [21.857949766385186]
計算コストの低いインクリメンタルアップデートをサポートするグラフベースのレコメンデーションモデルを提案する。
軽量構成埋め込み(LCE)は、ノードのサブセットのみに対する明示的な埋め込みを学び、他のノードを暗黙的に表現する。
LCEは、グラフベースの代替モデルよりもパラメータが大幅に少ない、ほぼスカイラインのパフォーマンスを実現している。
論文 参考訳(メタデータ) (2022-02-04T23:05:14Z) - Utilizing Textual Reviews in Latent Factor Models for Recommender
Systems [1.7361353199214251]
本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。
サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
論文 参考訳(メタデータ) (2021-11-16T15:07:51Z) - Augmenting the User-Item Graph with Textual Similarity Models [9.703969546479954]
パラフレーズ類似性モデルは、レビューや製品記述など、広く利用可能なテキストデータに適用される。
これにより、さらにラベル付けされたデータを必要としないグラフの密度が増加する。
その結果、データ拡張技術はあらゆる種類のモデルに大幅な改善をもたらすことがわかった。
論文 参考訳(メタデータ) (2021-09-20T08:23:05Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳(メタデータ) (2021-04-27T08:03:52Z) - UserReg: A Simple but Strong Model for Rating Prediction [12.149991243126808]
協調フィルタリング(CF)は、レコメンダーシステムの分野で大きな成功を収めています。
本稿では, マトリックスファクタリゼーション(MF)に基づく簡易線形モデルであるUserRegを提案し, 評価予測のための明示的なフィードバックを用いてユーザの潜在表現を正規化する。
実験の結果,userregは,検討した基準値よりも全体的な性能が向上し,最近提案された他のモデルと比較した場合の競争力も高いことがわかった。
論文 参考訳(メタデータ) (2021-02-15T15:44:29Z)
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。