Fugu-MT 論文翻訳(概要): GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value in Similar Item Recommendation

論文の概要: GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value in Similar Item Recommendation

arxiv url: http://arxiv.org/abs/2310.17732v1
Date: Thu, 26 Oct 2023 18:43:16 GMT
ステータス: 処理完了
システム内更新日: 2023-10-30 16:02:28.700403
Title: GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value in Similar Item Recommendation
Title（参考訳）: gnn-gmvo: 類似商品推薦におけるグロス商品価値最適化のためのグラフニューラルネットワーク
Authors: Ramin Giahi, Reza Yousefi Maragheh, Nima Farrokhsiar, Jianpeng Xu, Jason Cho, Evren Korpeoglu, Sushant Kumar, Kannan Achan
Abstract要約: 類似のアイテムレコメンデーションは、Eコマース業界における重要なタスクであり、顧客が類似した関連する選択肢を探索するのに役立つ。従来の機械学習モデルにもかかわらず、グラフニューラルネットワーク(GNN)は製品間の類似性のような複雑な関係を理解することができる。本稿では,GNN-GMVO(Graph Neural Network - Gross Merchandise Value)と呼ばれる新しいGNNアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 12.25382490978895
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Similar item recommendation is a critical task in the e-Commerce industry, which helps customers explore similar and relevant alternatives based on their interested products. Despite the traditional machine learning models, Graph Neural Networks (GNNs), by design, can understand complex relations like similarity between products. However, in contrast to their wide usage in retrieval tasks and their focus on optimizing the relevance, the current GNN architectures are not tailored toward maximizing revenue-related objectives such as Gross Merchandise Value (GMV), which is one of the major business metrics for e-Commerce companies. In addition, defining accurate edge relations in GNNs is non-trivial in large-scale e-Commerce systems, due to the heterogeneity nature of the item-item relationships. This work aims to address these issues by designing a new GNN architecture called GNN-GMVO (Graph Neural Network - Gross Merchandise Value Optimizer). This model directly optimizes GMV while considering the complex relations between items. In addition, we propose a customized edge construction method to tailor the model toward similar item recommendation task and alleviate the noisy and complex item-item relations. In our comprehensive experiments on three real-world datasets, we show higher prediction performance and expected GMV for top ranked items recommended by our model when compared with selected state-of-the-art benchmark models.
Abstract（参考訳）: 類似商品のレコメンデーションはeコマース業界において重要なタスクであり、顧客が興味のある製品に基づいて類似商品や関連する選択肢を探索するのに役立つ。従来の機械学習モデルにもかかわらず、graph neural networks(gnns)は設計上、製品間の類似性のような複雑な関係を理解できる。しかし、検索タスクで広く使われていることと、その妥当性の最適化に重点を置いているのとは対照的に、現在のGNNアーキテクチャは、Eコマース企業にとって主要なビジネス指標であるGross Merchandise Value(GMV)のような収益関連目標の最大化に向いていない。さらに、gnnにおける正確なエッジ関係の定義は、アイテムとアイテムの関係が異質であるため、大規模なeコマースシステムでは非自明である。この研究は、GNN-GMVO(Graph Neural Network - Gross Merchandise Value Optimizer)と呼ばれる新しいGNNアーキテクチャを設計することで、これらの問題を解決することを目的としている。このモデルはアイテム間の複雑な関係を考慮してgmvを直接最適化する。さらに,類似項目推薦タスクに向けてモデルを調整し,ノイズや複雑な項目-項目関係を緩和するためのエッジ構築手法を提案する。実世界の3つのデータセットに関する総合的な実験では,提案モデルが推奨する上位項目の予測性能と予測GMVが,選択した最先端ベンチマークモデルと比較された。

関連論文リスト

TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文参考訳（メタデータ） (2024-11-23T05:31:25Z)
Demystifying Higher-Order Graph Neural Networks [18.4513263596122]
高階グラフニューラルネットワーク(HOGNN)は、GNNモデルの重要なクラスである。我々は,HOGNNの詳細な分類と青図を設計する。次に、分類学を用いて、利用可能なHOGNNモデルを分析し、比較します。
論文参考訳（メタデータ） (2024-06-18T17:57:11Z)
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-06T01:33:24Z)
LightSAGE: Graph Neural Networks for Large Scale Item Retrieval in Shopee's Advertisement Recommendation [2.1165011830664677]
我々は、グラフ構築、モデリング、データ歪の扱いにおいて、単純で斬新でインパクトに富んだテクニックを紹介します。我々は,強信号ユーザ行動と高精度協調フィルタリング(CF)アルゴリズムを組み合わせることで,高品質な項目グラフを構築する。そこで我々はLightSAGEと呼ばれる新しいGNNアーキテクチャを開発し、ベクトル探索のための高品質なアイテムの埋め込みを生成する。
論文参考訳（メタデータ） (2023-10-30T09:57:06Z)
Personalized Federated Domain Adaptation for Item-to-Item Recommendation [11.65452674504235]
アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
論文参考訳（メタデータ） (2023-06-05T19:06:18Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
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)
Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文参考訳（メタデータ） (2022-06-17T15:40:45Z)
Relation Regularized Scene Graph Generation [206.76762860019065]
SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
論文参考訳（メタデータ） (2022-02-22T11:36:49Z)
Graph Neural Networks for Inconsistent Cluster Detection in Incremental Entity Resolution [3.4806267677524896]
成熟したデータリポジトリでは、関係は概ね正しいが、元のデータやエンティティの解決システムにおけるエラーのため、漸進的な改善が必要である。本稿では,共存しない既存関連製品群である不整合クラスタ(ic)を同定する新しい手法を提案する。既存のMessage Passing Neural Networkがこのタスクで、従来のグラフ処理技術を上回る性能を発揮することを実証する。
論文参考訳（メタデータ） (2021-05-12T20:39:22Z)
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)

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。