論文の概要: Context-aware Session-based Recommendation with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2310.09593v1
- Date: Sat, 14 Oct 2023 14:29:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 19:31:18.310823
- Title: Context-aware Session-based Recommendation with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いたコンテキスト対応セッションベースレコメンデーション
- Authors: Zhihui Zhang, JianXiang Yu, Xiang Li
- Abstract要約: グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。
まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。
ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
- 参考スコア（独自算出の注目度）: 6.825493772727133
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Session-based recommendation (SBR) is a task that aims to predict items based
on anonymous sequences of user behaviors in a session. While there are methods
that leverage rich context information in sessions for SBR, most of them have
the following limitations: 1) they fail to distinguish the item-item edge types
when constructing the global graph for exploiting cross-session contexts; 2)
they learn a fixed embedding vector for each item, which lacks the flexibility
to reflect the variation of user interests across sessions; 3) they generally
use the one-hot encoded vector of the target item as the hard label to predict,
thus failing to capture the true user preference. To solve these issues, we
propose CARES, a novel context-aware session-based recommendation model with
graph neural networks, which utilizes different types of contexts in sessions
to capture user interests. Specifically, we first construct a multi-relation
cross-session graph to connect items according to intra- and cross-session
item-level contexts. Further, to encode the variation of user interests, we
design personalized item representations. Finally, we employ a label
collaboration strategy for generating soft user preference distribution as
labels. Experiments on three benchmark datasets demonstrate that CARES
consistently outperforms state-of-the-art models in terms of P@20 and MRR@20.
Our data and codes are publicly available at
https://github.com/brilliantZhang/CARES.
- Abstract（参考訳）: セッションベースレコメンデーション(sbr)は、セッション内のユーザ動作の匿名シーケンスに基づいてアイテムを予測することを目的としたタスクである。
SBRのセッションにはリッチなコンテキスト情報を利用する方法があるが、そのほとんどは以下の制限がある。
1) クロスセッションコンテキストを利用するグローバルグラフを構築する際に,項目単位のエッジタイプを区別することができない。
2)各項目に固定された埋め込みベクトルを学習し,セッション間のユーザ関心の変動を反映する柔軟性に欠ける。
3) 一般的にターゲット項目の1ホット符号化ベクターをハードラベルとして使用し,真のユーザの嗜好を捉えることができない。
これらの問題を解決するために,我々は,セッション内のさまざまなタイプのコンテキストを利用してユーザの興味を捉える,グラフニューラルネットワークを用いた,コンテキスト対応セッションベースの新しいレコメンデーションモデルCARESを提案する。
具体的には,まずマルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。
さらに,ユーザの興味の変動をエンコードするために,パーソナライズされた項目表現を設計する。
最後に,ラベルとしてソフトユーザ嗜好分布を生成するためにラベル協調戦略を用いる。
3つのベンチマークデータセットの実験では、CARESはP@20とMRR@20の観点から、一貫して最先端モデルを上回っている。
我々のデータとコードはhttps://github.com/brilliantZhang/CARES.comで公開されています。
関連論文リスト
- Enhancing User Intent Capture in Session-Based Recommendation with
Attribute Patterns [77.19390850643944]
周波数属性パターン拡張変換器(FAPAT)を提案する。
FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。
FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
論文 参考訳（メタデータ） (2023-12-23T03:28:18Z) - Understanding Inter-Session Intentions via Complex Logical Reasoning [50.199811535229045]
論理セッション複雑質問応答(LS-CQA)の課題について述べる。
セッション,項目,属性を集約したハイパーグラフ上で,LS-CQAタスクとして複雑な意図理解の問題をモデル化する。
新たなモデルであるLSGT(Logical Session Graph Transformer)を導入し,各セッション間のインタラクションとその論理的接続をキャプチャする。
論文 参考訳（メタデータ） (2023-12-21T14:03:30Z) - Learning Similarity among Users for Personalized Session-Based
Recommendation from hierarchical structure of User-Session-Item [3.2872586139884623]
我々は,世界規模の歴史的セッションをモデル化するためのUSP-SBR (abbr. of User similarity Powered - Session Based Recommender)を提案する。
これらのユーザグラフにグラフニューラルネットワークを適用し,ノードを更新する。
2つの実世界のデータセットに対する実験結果から,本手法は最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-06-05T17:03:10Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。
G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。
2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
論文 参考訳（メタデータ） (2022-03-12T15:44:03Z) - Graph Spring Network and Informative Anchor Selection for Session-based
Recommendation [2.6524289609910654]
セッションベースのレコメンデーション(SBR)は、進行中の匿名セッションの次の項目を予測することを目的としている。
SBRの最大の課題は、アイテム間のリッチな関係をキャプチャし、IDベースのアイテム埋め込みを学習してそのような関係をキャプチャする方法である。
我々は、アイテムグラフに埋め込まれたIDベースのアイテムを学習するために、グラフスプリングネットワーク(GSN)と呼ばれる新しいグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-19T02:47:44Z) - SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural
Network [20.82060191403763]
セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。
セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。
SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
論文 参考訳（メタデータ） (2021-08-12T10:12:48Z) - Heterogeneous Global Graph Neural Networks for Personalized
Session-based Recommendation [32.03389044375335]
短期的なインタラクションセッションの次のインタラクションを予測することは、セッションベースのレコメンデーションにおいて難しいタスクである。
我々は,すべてのセッションにおける項目遷移を利用するために,新しいヘテロジニアスグラフニューラルネットワーク(HG-GNN)を提案する。
HGNNに基づいて,現在および歴史的セッションと異なるレベルのユーザ嗜好を捉えるために,現在選好と歴史的選好を提案する。
論文 参考訳（メタデータ） (2021-07-08T12:38:26Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z) - TAGNN: Target Attentive Graph Neural Networks for Session-based
Recommendation [66.04457457299218]
セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。
TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。
学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
論文 参考訳（メタデータ） (2020-05-06T14:17:05Z)
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。