論文の概要: Context-aware explainable recommendations over knowledge graphs
- arxiv url: http://arxiv.org/abs/2310.16141v1
- Date: Tue, 24 Oct 2023 19:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:29:51.574311
- Title: Context-aware explainable recommendations over knowledge graphs
- Title(参考訳): 知識グラフに対する文脈対応説明可能なレコメンデーション
- Authors: Jinfeng Zhong, Elsa Negre
- Abstract要約: 本稿では,ユーザのコンテキストに適応した好みをモデル化するエンド・ツー・エンドのフレームワークを提案する。
このフレームワークは、アイテムのコンテキストや特徴など、さまざまな要因に対するユーザの関心を捉えます。
より具体的には、このフレームワークはユーザーのコンテキストに適合した好みをモデル化し、与えられたコンテキストに適応した説明を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graphs contain rich semantic relationships related to items and
incorporating such semantic relationships into recommender systems helps to
explore the latent connections of items, thus improving the accuracy of
prediction and enhancing the explainability of recommendations. However, such
explainability is not adapted to users' contexts, which can significantly
influence their preferences. In this work, we propose CA-KGCN (Context-Aware
Knowledge Graph Convolutional Network), an end-to-end framework that can model
users' preferences adapted to their contexts and can incorporate rich semantic
relationships in the knowledge graph related to items. This framework captures
users' attention to different factors: contexts and features of items. More
specifically, the framework can model users' preferences adapted to their
contexts and provide explanations adapted to the given context. Experiments on
three real-world datasets show the effectiveness of our framework: modeling
users' preferences adapted to their contexts and explaining the recommendations
generated.
- Abstract(参考訳): 知識グラフは、アイテムに関連する豊富な意味関係を含み、そのような意味関係をレコメンデーションシステムに組み込むことで、アイテムの潜伏した関係を探索し、予測の精度を改善し、レコメンデーションの説明可能性を高める。
しかし、このような説明はユーザのコンテキストに適応せず、ユーザーの好みに大きく影響する可能性がある。
そこで本研究では,コンテキストに適応したユーザの嗜好をモデル化し,項目に関する知識グラフにリッチな意味関係を組み込むためのエンドツーエンドフレームワークであるca-kgcn(context-aware knowledge graph convolutional network)を提案する。
このフレームワークは、アイテムのコンテキストや特徴など、さまざまな要素に対するユーザの注意を捉える。
具体的には、コンテキストに適合したユーザの好みをモデル化し、与えられたコンテキストに適応した説明を提供する。
実世界の3つのデータセットの実験は、ユーザの好みを文脈に合わせてモデル化し、生成したリコメンデーションを説明するという、我々のフレームワークの有効性を示している。
関連論文リスト
- KGIF: Optimizing Relation-Aware Recommendations with Knowledge Graph Information Fusion [16.971592142597544]
本研究は, 自己認識機構を用いて, エンティティと関係埋め込みを明示的にマージするように設計された, 特殊なフレームワークを提案する。
この明示的な融合は、ユーザとイテムの相互作用とアイテムと属性の関係の相互作用を強化し、ユーザ中心とアイテム中心の表現の微妙なバランスを与える。
この研究の貢献には、明示的な情報融合のための革新的な方法、スパース知識グラフの堅牢性の改善、解釈可能な経路可視化を通じて説明可能なレコメンデーションを生成する能力が含まれる。
論文 参考訳(メタデータ) (2025-01-07T22:19:15Z) - Unveiling User Preferences: A Knowledge Graph and LLM-Driven Approach for Conversational Recommendation [55.5687800992432]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗化するプラグイン・アンド・プレイフレームワークを提案する。
これにより、LLMはKGエンティティを簡潔な自然言語記述に変換することができ、ドメイン固有の知識を理解できるようになる。
論文 参考訳(メタデータ) (2024-11-16T11:47:21Z) - Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。
中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
論文 参考訳(メタデータ) (2024-09-09T14:04:17Z) - Combining Embedding-Based and Semantic-Based Models for Post-hoc
Explanations in Recommender Systems [0.0]
本稿では,埋め込みモデルとセマンティックモデルを組み合わせて,レコメンダシステムにおけるポストホックな説明を生成する手法を提案する。
私たちが定義したフレームワークは、意味があり分かりやすい説明を生み出し、ユーザの信頼と満足度を高め、eコマース分野におけるレコメンダシステムの採用を促進することを目的としています。
論文 参考訳(メタデータ) (2024-01-09T10:24:46Z) - Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。
KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。
KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-12-18T06:41:23Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳(メタデータ) (2022-09-12T09:19:22Z) - Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors [34.56323846959459]
インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。
課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。
このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
論文 参考訳(メタデータ) (2022-02-06T18:45:15Z) - 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) - Knowledge Graph Completion with Text-aided Regularization [2.8361571014635407]
知識グラフ補完は、可能なエンティティを推定することによって知識グラフ/ベースを拡張するタスクである。
従来のアプローチは主に、グラフ固有の既存のグラフィカル情報の使用に重点を置いている。
我々は、既存のkg埋め込みフレームワークがより良い予測結果に達するのを助けるために、抽出または生のテキスト情報を使用する多くの方法を試みる。
論文 参考訳(メタデータ) (2021-01-22T06:10:09Z) - Improving Conversational Recommender Systems via Knowledge Graph based
Semantic Fusion [77.21442487537139]
対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。
まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。
第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
論文 参考訳(メタデータ) (2020-07-08T11:14:23Z)
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。