論文の概要: Learning Similarity among Users for Personalized Session-Based Recommendation from hierarchical structure of User-Session-Item

• arxiv url: http://arxiv.org/abs/2306.03040v1
• Date: Mon, 5 Jun 2023 17:03:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 13:43:43.203070
• Title: Learning Similarity among Users for Personalized Session-Based Recommendation from hierarchical structure of User-Session-Item
• Title（参考訳）: ユーザセッション項目の階層構造からパーソナライズされたセッションベースレコメンデーションのためのユーザ間の類似性学習
• Authors: Jisoo Cha, Haemin Jeong, Wooju Kim
• Abstract要約: 我々は,世界規模の歴史的セッションをモデル化するためのUSP-SBR (abbr. of User similarity Powered - Session Based Recommender)を提案する。 これらのユーザグラフにグラフニューラルネットワークを適用し,ノードを更新する。 2つの実世界のデータセットに対する実験結果から,本手法は最先端の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 3.2872586139884623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of the session-based recommendation is to predict the next interaction of the user based on the anonymized user's behavior pattern. And personalized version of this system is a promising research field due to its availability to deal with user information. However, there's a problem that the user's preferences and historical sessions were not considered in the typical session-based recommendation since it concentrates only on user-item interaction. In addition, the existing personalized session-based recommendation model has a limited capability in that it only considers the preference of the current user without considering those of similar users. It means there can be the loss of information included within the hierarchical data structure of the user-session-item. To tackle with this problem, we propose USP-SBR(abbr. of User Similarity Powered - Session Based Recommender). To model global historical sessions of users, we propose UserGraph that has two types of nodes - ItemNode and UserNode. We then connect the nodes with three types of edges. The first type of edges connects ItemNode as chronological order, and the second connects ItemNode to UserNode, and the last connects UserNode to ItemNode. With these user embeddings, we propose additional contrastive loss, that makes users with similar intention be close to each other in the vector space. we apply graph neural network on these UserGraph and update nodes. Experimental results on two real-world datasets demonstrate that our method outperforms some state-of-the-art approaches.
• Abstract（参考訳）: セッションベースの推薦のタスクは、匿名化されたユーザの行動パターンに基づいて、ユーザの次のインタラクションを予測することである。 このシステムのパーソナライズされたバージョンは、ユーザ情報を扱うことができるため、有望な研究分野である。 しかし,ユーザの好みや過去のセッションは,ユーザとイテムのインタラクションのみに集中しているため,典型的なセッションベースのレコメンデーションでは考慮されなかった。 さらに、既存のパーソナライズされたセッションベースのレコメンデーションモデルには、類似ユーザを考慮せずに現在のユーザの好みを考慮できる機能に制限がある。 つまり、ユーザセッションイテムの階層的なデータ構造に含まれる情報を失う可能性があるということです。 この問題に対処するため,USP-SBR (Abr. of User similarity Powered - Session Based Recommender)を提案する。 ユーザのグローバルな歴史的なセッションをモデル化するために、ItemNodeとUserNodeの2種類のノードを持つUserGraphを提案する。 次にノードを3種類のエッジで接続します。 第1のエッジはItemNodeを時系列順に、第2のエッジはItemNodeをUserNodeに、第2のエッジはUserNodeをItemNodeに接続する。 これらのユーザ埋め込みにより、類似の意図を持つユーザ同士をベクトル空間内で近接させる、追加のコントラスト損失が提案される。 これらのユーザグラフと更新ノードにグラフニューラルネットワークを適用する。 2つの実世界のデータセットに対する実験結果から,本手法は最先端の手法よりも優れていることが示された。

関連論文リスト

• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)
• Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation [74.81561396321712]
  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。
  論文  参考訳（メタデータ） (2023-05-10T02:42:12Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints [0.0]
  セッションベースのレコメンデーションは、アイテムのシーケンスで構成されるセッションを解釈することでアイテムを推奨しようとする。 本稿では,不均一な注意ネットワークを通じてセッションによって生成されるグラフの様々な関係について考察する。 トレーニングプロセスのさらなる最適化を通じて、パフォーマンスの向上を目指している。
  論文  参考訳（メタデータ） (2022-05-23T14:35:26Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
  セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。 G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。 2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
  論文  参考訳（メタデータ） (2022-03-12T15:44:03Z)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-12T10:12:48Z)
• Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation [32.03389044375335]
  短期的なインタラクションセッションの次のインタラクションを予測することは、セッションベースのレコメンデーションにおいて難しいタスクである。 我々は,すべてのセッションにおける項目遷移を利用するために,新しいヘテロジニアスグラフニューラルネットワーク(HG-GNN)を提案する。 HGNNに基づいて,現在および歴史的セッションと異なるレベルのユーザ嗜好を捉えるために,現在選好と歴史的選好を提案する。
  論文  参考訳（メタデータ） (2021-07-08T12:38:26Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)

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。