論文の概要: Neuro-Symbolic Recommendation Model based on Logic Query
- arxiv url: http://arxiv.org/abs/2309.07594v1
- Date: Thu, 14 Sep 2023 10:54:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 15:27:48.326332
- Title: Neuro-Symbolic Recommendation Model based on Logic Query
- Title（参考訳）: 論理クエリに基づくニューロシンボリック勧告モデル
- Authors: Maonian Wu, Bang Chen, Shaojun Zhu, Bo Zheng, Wei Peng, Mingyi Zhang
- Abstract要約: 本稿では,ユーザ履歴のインタラクションを論理表現に変換するニューロシンボリックレコメンデーションモデルを提案する。
論理式はニューラルネットワークのモジュラー論理演算に基づいて計算される。
3つのよく知られたデータセットによる実験により,本手法は浅部,深部,セッション,推論モデルと比較し,性能が良好であることが確認された。
- 参考スコア（独自算出の注目度）: 16.809190067920387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A recommendation system assists users in finding items that are relevant to
them. Existing recommendation models are primarily based on predicting
relationships between users and items and use complex matching models or
incorporate extensive external information to capture association patterns in
data. However, recommendation is not only a problem of inductive statistics
using data; it is also a cognitive task of reasoning decisions based on
knowledge extracted from information. Hence, a logic system could naturally be
incorporated for the reasoning in a recommendation task. However, although
hard-rule approaches based on logic systems can provide powerful reasoning
ability, they struggle to cope with inconsistent and incomplete knowledge in
real-world tasks, especially for complex tasks such as recommendation.
Therefore, in this paper, we propose a neuro-symbolic recommendation model,
which transforms the user history interactions into a logic expression and then
transforms the recommendation prediction into a query task based on this logic
expression. The logic expressions are then computed based on the modular logic
operations of the neural network. We also construct an implicit logic encoder
to reasonably reduce the complexity of the logic computation. Finally, a user's
interest items can be queried in the vector space based on the computation
results. Experiments on three well-known datasets verified that our method
performs better compared to state of the art shallow, deep, session, and
reasoning models.
- Abstract（参考訳）: レコメンデーションシステムは、ユーザーが関連するアイテムを見つけるのを支援する。
既存のレコメンデーションモデルは、主にユーザーとアイテムの関係を予測し、複雑なマッチングモデルを使用するか、データ内の関連パターンをキャプチャするために広範囲な外部情報を組み込む。
しかし、レコメンデーションはデータを用いた帰納統計の問題であるだけでなく、情報から抽出した知識に基づいて意思決定を推論する認知的タスクでもある。
したがって、論理システムはレコメンデーションタスクの推論のために自然に組み込むことができる。
しかし、論理システムに基づくハードルールアプローチは強力な推論能力を提供するが、現実のタスク、特にレコメンデーションのような複雑なタスクにおける一貫性のない不完全な知識に対処できない。
そこで,本稿では,ユーザ履歴インタラクションを論理式に変換し,その論理式に基づいて推薦予測をクエリタスクに変換するニューロシンボリックレコメンデーションモデルを提案する。
論理式は、ニューラルネットワークのモジュラー論理演算に基づいて計算される。
また,論理計算の複雑さを合理的に低減する暗黙論理エンコーダを構築した。
最後に、計算結果に基づいて、ユーザの関心項目をベクトル空間で問合せすることができる。
3つのよく知られたデータセットによる実験により,本手法は浅部,深部,セッション,推論モデルと比較すると,優れた性能を示した。
関連論文リスト
- Efficiently Learning Probabilistic Logical Models by Cheaply Ranking Mined Rules [9.303501974597548]
我々は、論理規則の精度とリコールを導入し、それらの構成をルールユーティリティとして定義する。
我々は、リレーショナルデータから論理モデルを学ぶためのスケーラブルなフレームワークであるSPECTRUMを紹介する。
論文 参考訳（メタデータ） (2024-09-24T16:54:12Z) - Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。
任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。
広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
論文 参考訳（メタデータ） (2024-05-02T18:12:08Z) - IID Relaxation by Logical Expressivity: A Research Agenda for Fitting Logics to Neurosymbolic Requirements [50.57072342894621]
本稿では、ニューロシンボリック・ユースケースにおける既知のデータ依存と分布制約を利用する利点について論じる。
これは、ニューロシンボリックな背景知識と、その論理に必要とされる表現性に関する一般的な疑問を伴う新しい研究課題を開く。
論文 参考訳（メタデータ） (2024-04-30T12:09:53Z) - Type-based Neural Link Prediction Adapter for Complex Query Answering [2.1098688291287475]
本稿では,タイプベースエンティティ関係グラフを構成する新しいモデルであるTypEベースのニューラルリンク予測アダプタ(TENLPA)を提案する。
型情報と複雑な論理的クエリを効果的に結合するために,適応学習機構を導入する。
3つの標準データセットの実験により、TENLPAモデルが複雑なクエリ応答における最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2024-01-29T10:54:28Z) - Neural-Symbolic Recommendation with Graph-Enhanced Information [7.841447116972524]
我々は,大域的暗黙的推論能力と局所的明示的論理推論能力の両方を備えたニューロシンボリックレコメンデーションモデルを構築した。
ユーザの振る舞いを命題論理表現に変換し,認知的推論の観点からレコメンデーションを実現する。
論文 参考訳（メタデータ） (2023-07-11T06:29:31Z) - Query Structure Modeling for Inductive Logical Reasoning Over Knowledge
Graphs [67.043747188954]
KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。
線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。
2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
論文 参考訳（メタデータ） (2023-05-23T01:25:29Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳（メタデータ） (2023-04-14T11:35:35Z) - Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。
他のものと比較して、LNNは古典的なブール論理と強く結びついている。
標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
論文 参考訳（メタデータ） (2021-12-06T19:38:30Z) - Neural Logic Reasoning [47.622957656745356]
本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。
LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。
実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
論文 参考訳（メタデータ） (2020-08-20T14:53:23Z) - Neural Collaborative Reasoning [31.03627817834551]
協調推論(CR)のための協調フィルタリング(CF)を提案する。
CRは、各ユーザが推論空間の一部を知っていて、互いに好みを見積もるために、スペース内で推論するために協力することを意味します。
我々は、表現学習と論理的推論の力を統合し、表現が知覚的視点からデータ内の類似パターンをキャプチャする。
論文 参考訳（メタデータ） (2020-05-16T23:29:31Z)
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。