論文の概要: Empowering recommender systems using automatically generated Knowledge
Graphs and Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2307.04996v1
- Date: Tue, 11 Jul 2023 03:24:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-12 16:33:59.318845
- Title: Empowering recommender systems using automatically generated Knowledge
Graphs and Reinforcement Learning
- Title（参考訳）: 自動生成知識グラフと強化学習を用いた推薦システム
- Authors: Ghanshyam Verma, Shovon Sengupta, Simon Simanta, Huan Chen, Janos A.
Perge, Devishree Pillai, John P. McCrae, Paul Buitelaar
- Abstract要約: 顧客に対してパーソナライズされた記事レコメンデーションのための知識グラフに基づくアプローチを2つ提示する。
第1のアプローチでは強化学習を採用し,第2のアプローチでは記事の推奨にXGBoostアルゴリズムを使用している。
どちらのアプローチも、構造化データ(タブラルデータ)と非構造化データの両方から生成されたKGを利用する。
- 参考スコア（独自算出の注目度）: 3.6587485160470226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personalized recommendations have a growing importance in direct marketing,
which motivates research to enhance customer experiences by knowledge graph
(KG) applications. For example, in financial services, companies may benefit
from providing relevant financial articles to their customers to cultivate
relationships, foster client engagement and promote informed financial
decisions. While several approaches center on KG-based recommender systems for
improved content, in this study we focus on interpretable KG-based recommender
systems for decision making.To this end, we present two knowledge graph-based
approaches for personalized article recommendations for a set of customers of a
large multinational financial services company. The first approach employs
Reinforcement Learning and the second approach uses the XGBoost algorithm for
recommending articles to the customers. Both approaches make use of a KG
generated from both structured (tabular data) and unstructured data (a large
body of text data).Using the Reinforcement Learning-based recommender system we
could leverage the graph traversal path leading to the recommendation as a way
to generate interpretations (Path Directed Reasoning (PDR)). In the
XGBoost-based approach, one can also provide explainable results using post-hoc
methods such as SHAP (SHapley Additive exPlanations) and ELI5 (Explain Like I
am Five).Importantly, our approach offers explainable results, promoting better
decision-making. This study underscores the potential of combining advanced
machine learning techniques with KG-driven insights to bolster experience in
customer relationship management.
- Abstract（参考訳）: パーソナライズされたレコメンデーションは、知識グラフ(KG)アプリケーションによる顧客エクスペリエンスを高める研究の動機となるダイレクトマーケティングにおいて、ますます重要になっている。
例えば、金融サービスでは、企業は関係を育むために関連する金融商品を顧客に提供し、顧客エンゲージメントを育み、インフォームドファイナンシャルなファイナンシャル判断を促進することで利益を享受することができる。
本研究では,コンテンツ改善のためのkgベースのレコメンダシステムを中心に,意思決定のための解釈可能なkgベースのレコメンダシステムを中心に,多国籍金融企業の顧客に対してパーソナライズされた記事レコメンデーションを行うための2つのナレッジグラフベースのアプローチを提案する。
第1のアプローチは強化学習を採用し、第2のアプローチはXGBoostアルゴリズムを使って顧客に記事を推薦する。
どちらのアプローチも構造化データ(表データ)と非構造化データ(大量のテキストデータ)の両方から生成されるkgを使用する。
Reinforcement Learningベースのレコメンダシステムを使用することで、レコメンデーションを解釈を生成する手段としてグラフトラバースパスを活用することができる(Path Directed Reasoning (PDR))。
XGBoostベースのアプローチでは、SHAP(SHapley Additive exPlanations)やELI5(Explain Like I am Five)といったポストホックメソッドを使って、説明可能な結果を提供することもできる。
重要なことは、私たちのアプローチが説明可能な結果をもたらし、より良い意思決定を促進することです。
本研究は、高度な機械学習技術とkgによる洞察を組み合わせることによって、顧客関係管理の経験を高める可能性の核心である。
関連論文リスト
- LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。
提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
論文 参考訳（メタデータ） (2024-06-22T14:14:03Z) - Finding Paths for Explainable MOOC Recommendation: A Learner Perspective [2.4775868218890484]
グラフ推論を用いたMOOC(Massive Open Online Courses)の推薦システムを提案する。
提案手法の実践的意義を検証するため,利用者の知覚を調査した。
2つの教育データセットで実験を行うことにより,本手法の一般化可能性を示す。
論文 参考訳（メタデータ） (2023-12-11T15:27:22Z) - On the Sweet Spot of Contrastive Views for Knowledge-enhanced
Recommendation [49.18304766331156]
KG強化推薦のための新しいコントラスト学習フレームワークを提案する。
我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。
実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
論文 参考訳（メタデータ） (2023-09-23T14:05:55Z) - Exploring Large Language Model for Graph Data Understanding in Online
Job Recommendations [63.19448893196642]
本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。
この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
論文 参考訳（メタデータ） (2023-07-10T11:29:41Z) - A Survey on Large Language Models for Recommendation [77.91673633328148]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳（メタデータ） (2023-05-31T13:51:26Z) - A Comparative Analysis of Bias Amplification in Graph Neural Network
Approaches for Recommender Systems [0.0]
バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。
本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
論文 参考訳（メタデータ） (2023-01-18T16:29:05Z) - Attentive Knowledge-aware Graph Convolutional Networks with
Collaborative Guidance for Recommendation [36.95691423601792]
我々は,パーソナライズされたレコメンデーション(CG-KGR)のための協調指導を用いた注意深い知識認識型畳み込みネットワークを提案する。
CG-KGRは知識を意識した新しい推薦モデルであり、KGとユーザ・イテム相互作用の豊富でコヒーレントな学習を可能にする。
2つのレコメンデーションタスクで4つの実世界のデータセットについて広範な実験を行う。
論文 参考訳（メタデータ） (2021-09-05T11:55:20Z) - 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) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z) - Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。
新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文 参考訳（メタデータ） (2020-03-25T22:53:14Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。