論文の概要: HypeRS: Building a Hypergraph-driven ensemble Recommender System

• arxiv url: http://arxiv.org/abs/2306.12800v1
• Date: Thu, 22 Jun 2023 10:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 14:45:28.574478
• Title: HypeRS: Building a Hypergraph-driven ensemble Recommender System
• Title（参考訳）: HypeRS:ハイパーグラフ駆動のアンサンブルレコメンダーシステムの構築
• Authors: Alireza Gharahighehi, Celine Vens, Konstantinos Pliakos
• Abstract要約: 本稿では,異なるモデルによる予測を統一的なハイパーグラフランキングフレームワークに組み合わせた,新しいアンサンブル推薦システムを提案する。 ハイパーグラフランキングが推奨システムのアンサンブルをモデル化するのはこれが初めてである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems are designed to predict user preferences over collections of items. These systems process users' previous interactions to decide which items should be ranked higher to satisfy their desires. An ensemble recommender system can achieve great recommendation performance by effectively combining the decisions generated by individual models. In this paper, we propose a novel ensemble recommender system that combines predictions made by different models into a unified hypergraph ranking framework. This is the first time that hypergraph ranking has been employed to model an ensemble of recommender systems. Hypergraphs are generalizations of graphs where multiple vertices can be connected via hyperedges, efficiently modeling high-order relations. We differentiate real and predicted connections between users and items by assigning different hyperedge weights to individual recommender systems. We perform experiments using four datasets from the fields of movie, music and news media recommendation. The obtained results show that the ensemble hypergraph ranking method generates more accurate recommendations compared to the individual models and a weighted hybrid approach. The assignment of different hyperedge weights to the ensemble hypergraph further improves the performance compared to a setting with identical hyperedge weights.
• Abstract（参考訳）: recommenderシステムは、アイテムのコレクションよりもユーザの好みを予測するように設計されている。 これらのシステムは、ユーザの以前のインタラクションを処理し、要求を満たすためにどの項目を上位にランクするかを決定する。 アンサンブルレコメンデータシステムは、個々のモデルによって生成された決定を効果的に組み合わせて、優れたレコメンデーション性能を達成することができる。 本稿では,異なるモデルによる予測を統一的なハイパーグラフランキングフレームワークに組み合わせた,新しいアンサンブル推薦システムを提案する。 ハイパーグラフランキングが推奨システムのアンサンブルをモデル化するのはこれが初めてである。 ハイパーグラフはグラフの一般化であり、複数の頂点がハイパーエッジを介して接続でき、高次関係を効率的にモデル化できる。 個々のレコメンダシステムに対して異なるハイパーエッジ重みを割り当てることで,ユーザとアイテムの実際の接続と予測した接続を区別する。 映画,音楽,メディアレコメンデーションの分野から4つのデータセットを用いて実験を行った。 その結果,アンサンブルハイパーグラフランキング法は,個々のモデルと重み付けハイブリッドアプローチと比較して,より正確な推奨結果を生成することがわかった。 アンサンブルハイパーグラフに異なるハイパーエッジ重みを割り当てることにより、同一のハイパーエッジ重みを持つ設定よりも性能が向上する。

関連論文リスト

• Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation [25.516648802281626]
  逐次レコメンデーションのためのFAME(Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation)という新しい構造を提案する。 最後のマルチヘッドアテンション層における各頭部からのサブ埋め込みを活用して,次の項目を別々に予測する。 ゲーティングメカニズムは、各ヘッドからのレコメンデーションを統合し、それらの重要性を動的に決定する。
  論文  参考訳（メタデータ） (2024-11-03T06:47:45Z)
• End-to-End Learnable Item Tokenization for Generative Recommendation [51.82768744368208]
  本稿では,アイテムのトークン化と生成レコメンデーションをシームレスに統合した,新しいエンドツーエンド生成レコメンダであるETEGRecを提案する。 本フレームワークは、アイテムトークン化器と生成レコメンデータで構成されるデュアルエンコーダデコーダアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• A Hypergraph-Based Approach to Recommend Online Resources in a Library [0.0]
  本研究は,デジタル図書館の利用データを分析し,利用者に推薦する。 異なるクラスタリングアルゴリズムを使用してレコメンダシステムを設計する。
  論文  参考訳（メタデータ） (2023-12-02T02:57:52Z)
• Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
  グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。 本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T11:49:33Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• 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)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation [0.0]
  本稿では,ユーザのレーティングの類似性に関連するグラフベースモデルを用いたレコメンデータシステムを提案する。 オートエンコーダの特徴抽出の利点を生かして,全ての属性を組み合わせて新しい特徴を抽出する。 The experimental results on the MovieLens dataset shows that the proposed algorithm developed many existing recommendation algorithm on recommendation accuracy。
  論文  参考訳（メタデータ） (2021-11-06T10:47:45Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)

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。