論文の概要: RECipe: Does a Multi-Modal Recipe Knowledge Graph Fit a Multi-Purpose Recommendation System?

• arxiv url: http://arxiv.org/abs/2308.04579v1
• Date: Tue, 8 Aug 2023 20:54:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 15:59:53.331756
• Title: RECipe: Does a Multi-Modal Recipe Knowledge Graph Fit a Multi-Purpose Recommendation System?
• Title（参考訳）: RECipe:マルチモーダルレシピ知識グラフは多目的推薦システムに適合しているか?
• Authors: Ali Pesaranghader, Touqir Sajed
• Abstract要約: 本稿では多目的レシピレコメンデーションフレームワークとしてRECipeを紹介する。 RECipeは,(1)行動ベースレコメンデータ,(2)レビューベースレコメンデータ,(3)画像ベースレコメンデータの3つのサブシステムから構成される。
• 参考スコア（独自算出の注目度）: 2.969705152497174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past two decades, recommendation systems (RSs) have used machine learning (ML) solutions to recommend items, e.g., movies, books, and restaurants, to clients of a business or an online platform. Recipe recommendation, however, has not yet received much attention compared to those applications. We introduce RECipe as a multi-purpose recipe recommendation framework with a multi-modal knowledge graph (MMKG) backbone. The motivation behind RECipe is to go beyond (deep) neural collaborative filtering (NCF) by recommending recipes to users when they query in natural language or by providing an image. RECipe consists of 3 subsystems: (1) behavior-based recommender, (2) review-based recommender, and (3) image-based recommender. Each subsystem relies on the embedding representations of entities and relations in the graph. We first obtain (pre-trained) embedding representations of textual entities, such as reviews or ingredients, from a fine-tuned model of Microsoft's MPNet. We initialize the weights of the entities with these embeddings to train our knowledge graph embedding (KGE) model. For the visual component, i.e., recipe images, we develop a KGE-Guided variational autoencoder (KG-VAE) to learn the distribution of images and their latent representations. Once KGE and KG-VAE models are fully trained, we use them as a multi-purpose recommendation framework. For benchmarking, we created two knowledge graphs (KGs) from public datasets on Kaggle for recipe recommendation. Our experiments show that the KGE models have comparable performance to the neural solutions. We also present pre-trained NLP embeddings to address important applications such as zero-shot inference for new users (or the cold start problem) and conditional recommendation with respect to recipe categories. We eventually demonstrate the application of RECipe in a multi-purpose recommendation setting.
• Abstract（参考訳）: 過去20年間、レコメンデーションシステム(RS)は、機械学習(ML)ソリューションを使用して、例えば映画、本、レストランなどのアイテムを、企業の顧客やオンラインプラットフォームに推奨してきた。 しかし、レシピレコメンデーションは、これらのアプリケーションと比べてあまり注目されていない。 マルチモーダル知識グラフ(MMKG)をバックボーンとした多目的レシピレコメンデーションフレームワークとしてRECipeを導入する。 RECipeの背後にあるモチベーションは、自然言語でのクエリやイメージの提供によって、ユーザにレシピを推奨することで、(ディープ)ニューラルコラボレーティブフィルタリング(NCF)を越えていくことである。 RECipeは,(1)行動ベースレコメンデータ,(2)レビューベースレコメンデータ,(3)画像ベースレコメンデータの3つのサブシステムから構成される。 各サブシステムは、グラフ内のエンティティと関係の埋め込み表現に依存している。 まず、MicrosoftのMPNetの微調整モデルから、レビューや材料などのテキストエンティティの(事前訓練された)埋め込み表現を得る。 これらの埋め込みでエンティティの重みを初期化し、知識グラフ埋め込み(KGE)モデルをトレーニングします。 視覚成分,すなわちレシピ画像に対して,kge誘導変分オートエンコーダ(kg-vae)を開発し,画像の分布と潜在表現を学習する。 KGEとKG-VAEモデルを完全にトレーニングすると、多目的レコメンデーションフレームワークとして使用します。 ベンチマークのために、レシピレコメンデーションのためにKaggle上の公開データセットから2つのナレッジグラフ(KG)を作成しました。 実験の結果,KGEモデルはニューラルソリューションに匹敵する性能を示した。 また,新しいユーザに対するゼロショット推論(あるいはコールドスタート問題)やレシピカテゴリに対する条件付き推奨など,重要な応用に対処するための事前学習NLP埋め込みを提案する。 最終的に、多目的レコメンデーション設定におけるRECipeの適用を実証する。

関連論文リスト

• Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
  本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。 KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2024-03-21T13:09:23Z)
• 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)
• RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation [26.84274830886026]
  我々は,レシピレコメンデーションに協調的なシグナルを組み込むために,グラフを用いてレシピレコメンデーションの問題を定式化する。 最初に、リレーショナルグラフ(Relational-Graph)を提示する。 次にレシピ推薦のための新しい異種グラフ学習モデルであるRecipeRecを提案する。
  論文  参考訳（メタデータ） (2022-05-24T22:19:53Z)
• 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)
• 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)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
  本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。 我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
  論文  参考訳（メタデータ） (2020-10-23T10:30:24Z)
• 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)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)
• Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information [20.176329366180934]
  ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であるレコメンデーションシステムの問題について検討する。 我々は、現代の現実世界のレコメンデーションの複雑さを捉えた問題に対する一般的な定式化を提供する。 本稿では,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。
  論文  参考訳（メタデータ） (2020-01-28T17:53:38Z)

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。