論文の概要: Impression-Informed Multi-Behavior Recommender System: A Hierarchical
Graph Attention Approach
- arxiv url: http://arxiv.org/abs/2309.03169v2
- Date: Thu, 7 Sep 2023 03:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 15:39:25.098319
- Title: Impression-Informed Multi-Behavior Recommender System: A Hierarchical
Graph Attention Approach
- Title（参考訳）: インプレッションインフォームド多行動推薦システム:階層グラフ注意アプローチ
- Authors: Dong Li and Divya Bhargavi and Vidya Sagar Ravipati
- Abstract要約: textbfHierarchical textbfMulti-behavior textbfGraph Attention textbfNetwork (HMGN)を紹介する。
この先駆的なフレームワークは、注意機構を利用して、行動内および行動内の両方から情報を識別する。
従来のグラフニューラルネットワーク手法に比べて,NDCG@100で最大64%の顕著なパフォーマンス向上を登録する。
- 参考スコア（独自算出の注目度）: 4.03161352925235
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While recommender systems have significantly benefited from implicit
feedback, they have often missed the nuances of multi-behavior interactions
between users and items. Historically, these systems either amalgamated all
behaviors, such as \textit{impression} (formerly \textit{view}),
\textit{add-to-cart}, and \textit{buy}, under a singular 'interaction' label,
or prioritized only the target behavior, often the \textit{buy} action,
discarding valuable auxiliary signals. Although recent advancements tried
addressing this simplification, they primarily gravitated towards optimizing
the target behavior alone, battling with data scarcity. Additionally, they
tended to bypass the nuanced hierarchy intrinsic to behaviors. To bridge these
gaps, we introduce the \textbf{H}ierarchical \textbf{M}ulti-behavior
\textbf{G}raph Attention \textbf{N}etwork (HMGN). This pioneering framework
leverages attention mechanisms to discern information from both inter and
intra-behaviors while employing a multi-task Hierarchical Bayesian Personalized
Ranking (HBPR) for optimization. Recognizing the need for scalability, our
approach integrates a specialized multi-behavior sub-graph sampling technique.
Moreover, the adaptability of HMGN allows for the seamless inclusion of
knowledge metadata and time-series data. Empirical results attest to our
model's prowess, registering a notable performance boost of up to 64\% in
NDCG@100 metrics over conventional graph neural network methods.
- Abstract（参考訳）: 推薦システムは暗黙のフィードバックから大きな恩恵を受けているが、ユーザとアイテム間の複数行動相互作用のニュアンスを見逃すことがしばしばある。
歴史的には、これらのシステムは、特異な「相互作用」ラベルの下で、例えば \textit{impression} (以前の \textit{view} )、 \textit{add-to-cart} や \textit{buy} のような全ての振る舞いをアマルガム化したか、あるいはターゲットの振る舞いのみを優先した。
最近の進歩は、この単純化に対処しようとしたが、主にターゲットの振る舞いだけを最適化し、データの不足と戦おうとした。
さらに、彼らは行動に固有のニュアンス階層をバイパスする傾向があった。
これらのギャップを埋めるために、我々は \textbf{H}ierarchical \textbf{M}ulti-behavior \textbf{G}raph Attention \textbf{N}etwork (HMGN)を導入する。
この先駆的なフレームワークは、マルチタスク階層型ベイズパーソナライズランキング(HBPR)を最適化に使用しながら、ビヘイビア内およびビヘイビア内からの情報を識別するために注意機構を活用する。
スケーラビリティの必要性を認識した本手法では,特殊なマルチビヘイビアサブグラフサンプリング技術を統合する。
さらに、HMGNの適応性により、知識メタデータと時系列データのシームレスな取り込みが可能になる。
実験結果から,従来のグラフニューラルネットワーク手法と比較して,NDCG@100測定値の最大64\%の顕著なパフォーマンス向上が得られた。
関連論文リスト
- Instance-Aware Graph Prompt Learning [71.26108600288308]
本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。
このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。
複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-11-26T18:38:38Z) - Multi-Channel Hypergraph Contrastive Learning for Matrix Completion [37.05130230844348]
グラフニューラルネットワーク(GNN)は、行列補完において広く使われており、アイテムよりもユーザの好みを捉えている。
行列補完のためのマルチチャネルハイパーグラフコントラスト学習フレームワーク MHCL を提案する。
5つの公開データセットの実験により、提案手法が現在の最先端手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2024-11-02T22:59:36Z) - LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。
textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。
textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2024-09-10T08:27:39Z) - Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。
BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。
実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-08-22T06:41:59Z) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳（メタデータ） (2023-03-01T05:46:36Z) - Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。
GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。
実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2022-05-30T03:53:31Z) - Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased
Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。
まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。
次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文 参考訳（メタデータ） (2022-03-18T09:14:13Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Jointly Cross- and Self-Modal Graph Attention Network for Query-Based
Moment Localization [77.21951145754065]
本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。
CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
論文 参考訳（メタデータ） (2020-08-04T08:25:24Z) - Attention improves concentration when learning node embeddings [1.2233362977312945]
検索クエリテキストでラベル付けされたノードを考えると、製品を共有する関連クエリへのリンクを予測したい。
様々なディープニューラルネットワークを用いた実験では、注意機構を備えた単純なフィードフォワードネットワークが埋め込み学習に最適であることが示されている。
本稿では,クエリ生成モデルであるAttESTを提案する。このモデルでは,製品とクエリテキストの両方を,潜在空間に埋め込まれたベクトルとして見ることができる。
論文 参考訳（メタデータ） (2020-06-11T21:21:12Z)
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。