論文の概要: Criteria Tell You More than Ratings: Criteria Preference-Aware Light
Graph Convolution for Effective Multi-Criteria Recommendation
- arxiv url: http://arxiv.org/abs/2305.18885v3
- Date: Sat, 3 Jun 2023 10:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 11:22:13.414297
- Title: Criteria Tell You More than Ratings: Criteria Preference-Aware Light
Graph Convolution for Effective Multi-Criteria Recommendation
- Title（参考訳）: 基準は格付け以上のことを教えてくれる - criteria preference-aware light graph convolution for effective multi-criteria recommendation
- Authors: Jin-Duk Park, Siqing Li, Xin Cao, Won-Yong Shin
- Abstract要約: 我々は,GNN支援MCレコメンデータシステムを設計するための最初の試みを行う。
具体的には,光グラフ畳み込みCPA-LGC法を考案した。
この目的のために、まず、MC評価を拡張二部グラフに変換するMC拡張グラフを構築する。
次に、CPA-LGCは、基準優先意識の能力を強化するために、新しく特徴付けられた埋め込みを取り入れている。
- 参考スコア（独自算出の注目度）: 5.536402965666082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The multi-criteria (MC) recommender system, which leverages MC rating
information in a wide range of e-commerce areas, is ubiquitous nowadays.
Surprisingly, although graph neural networks (GNNs) have been widely applied to
develop various recommender systems due to GNN's high expressive capability in
learning graph representations, it has been still unexplored how to design MC
recommender systems with GNNs. In light of this, we make the first attempt
towards designing a GNN-aided MC recommender system. Specifically, rather than
straightforwardly adopting existing GNN-based recommendation methods, we devise
a novel criteria preference-aware light graph convolution CPA-LGC method, which
is capable of precisely capturing the criteria preference of users as well as
the collaborative signal in complex high-order connectivities. To this end, we
first construct an MC expansion graph that transforms user--item MC ratings
into an expanded bipartite graph to potentially learn from the collaborative
signal in MC ratings. Next, to strengthen the capability of criteria preference
awareness, CPA-LGC incorporates newly characterized embeddings, including
user-specific criteria-preference embeddings and item-specific criterion
embeddings, into our graph convolution model. Through comprehensive evaluations
using four real-world datasets, we demonstrate (a) the superiority over
benchmark MC recommendation methods and benchmark recommendation methods using
GNNs with tremendous gains, (b) the effectiveness of core components in
CPA-LGC, and (c) the computational efficiency.
- Abstract（参考訳）: 広範囲のeコマースエリアにおけるMCレーティング情報を活用するマルチクレーター(MC)レコメンデーションシステムは,近年広く普及している。
グラフニューラルネットワーク(GNN)は、グラフ表現の学習において、GNNの表現能力が高いため、様々なレコメンデータシステムの開発に広く応用されているが、GNNでMCレコメンデータシステムを設計する方法はまだ明らかにされていない。
これを踏まえ、我々はGNN支援MCレコメンデータシステムを設計するための最初の試みを行う。
具体的には、既存のgnnベースの推奨手法をそのまま採用するのではなく、複雑な高次コネクティビティにおけるユーザの基準選好と協調信号を正確に捉えることができる、新しい基準選好認識型光グラフ畳み込みcpa-lgc法を考案する。
この目的のために,我々はまず,ユーザ主導のmc評価を拡張した2部グラフに変換するmc拡張グラフを構築し,mcレーティングにおける協調的信号から学習する。
次に, CPA-LGCは, ユーザ固有の基準基準埋め込みや項目固有の基準埋め込みなど, 新たに特徴付けられた埋め込みをグラフ畳み込みモデルに組み込む。
4つの実世界のデータセットを用いた包括的評価を通して
(a)GNNを用いたベンチマークMCレコメンデーション法やベンチマークレコメンデーション法よりも優れていること。
b) CPA-LGCにおけるコアコンポーネントの有効性、及び
(c)計算効率。
関連論文リスト
- Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースの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） (2024-04-16T07:05:16Z) - Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。
GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。
2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
論文 参考訳（メタデータ） (2024-03-07T19:47:48Z) - Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。
近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。
我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
論文 参考訳（メタデータ） (2024-02-21T17:58:10Z) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳（メタデータ） (2023-08-21T15:57:57Z) - 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) - 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) - KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph
Convolutions for Recommendation [3.264007084815591]
我々はKQGC(Knowledge Query-based Graph Convolution)と呼ばれるリコメンデータシステムのための新しいモデルを提案する。
KQGCは平滑化に焦点を当て、KGEを平滑化するために単純な線形グラフ畳み込みを利用する。
提案したKQGCを,特定の製品のユーザを対象としたレコメンデーションタスクに適用する。
論文 参考訳（メタデータ） (2022-05-23T09:34:06Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - Localized Graph Collaborative Filtering [20.868562372148677]
推薦のためのGNNベースのCFメソッドを構築するための新しい視点を紹介する。
LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。
各種データセットの実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。
論文 参考訳（メタデータ） (2021-08-10T06:48:32Z) - Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball [33.90069123451581]
本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。
双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。
提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2～16%,既存モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-01-13T03:16:50Z) - Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。
提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
論文 参考訳（メタデータ） (2020-07-31T16:56:54Z)
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。