論文の概要: Contrastive Multi-Level Graph Neural Networks for Session-based
Recommendation
- arxiv url: http://arxiv.org/abs/2311.02938v1
- Date: Mon, 6 Nov 2023 08:11:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 14:58:53.032449
- Title: Contrastive Multi-Level Graph Neural Networks for Session-based
Recommendation
- Title（参考訳）: セッションベースレコメンデーションのためのコントラスト多レベルグラフニューラルネットワーク
- Authors: Fuyun Wang, Xingyu Gao, Zhenyu Chen, Lei Lyu
- Abstract要約: セッションベースのレコメンデーション(SBR)は、匿名ユーザ行動シーケンスに基づいて、ある時点において次の項目を予測することを目的としている。
既存のメソッドは通常、単純なアイテム遷移情報に基づいてセッション表現をモデル化する。
本稿では,複雑かつ高次項目遷移情報を活用するために,新しいコントラッシブ・マルチレベルグラフニューラルネットワーク(CM-GNN)を提案する。
- 参考スコア（独自算出の注目度）: 11.9213348043964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Session-based recommendation (SBR) aims to predict the next item at a certain
time point based on anonymous user behavior sequences. Existing methods
typically model session representation based on simple item transition
information. However, since session-based data consists of limited users'
short-term interactions, modeling session representation by capturing fixed
item transition information from a single dimension suffers from data sparsity.
In this paper, we propose a novel contrastive multi-level graph neural networks
(CM-GNN) to better exploit complex and high-order item transition information.
Specifically, CM-GNN applies local-level graph convolutional network (L-GCN)
and global-level network (G-GCN) on the current session and all the sessions
respectively, to effectively capture pairwise relations over all the sessions
by aggregation strategy. Meanwhile, CM-GNN applies hyper-level graph
convolutional network (H-GCN) to capture high-order information among all the
item transitions. CM-GNN further introduces an attention-based fusion module to
learn pairwise relation-based session representation by fusing the item
representations generated by L-GCN and G-GCN. CM-GNN averages the item
representations obtained by H-GCN to obtain high-order relation-based session
representation. Moreover, to convert the high-order item transition information
into the pairwise relation-based session representation, CM-GNN maximizes the
mutual information between the representations derived from the fusion module
and the average pool layer by contrastive learning paradigm. We conduct
extensive experiments on multiple widely used benchmark datasets to validate
the efficacy of the proposed method. The encouraging results demonstrate that
our proposed method outperforms the state-of-the-art SBR techniques.
- Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、匿名ユーザ行動シーケンスに基づいて、ある時点において次の項目を予測することを目的としている。
既存のメソッドは通常、単純なアイテム遷移情報に基づいてセッション表現をモデル化する。
しかし,セッションベースデータは限られたユーザの短期的インタラクションで構成されているため,単一次元から固定項目遷移情報をキャプチャしてセッション表現をモデル化することは,データの疎度に悩まされる。
本稿では,複雑かつ高次項目遷移情報を活用するために,新しいコントラスト型マルチレベルグラフニューラルネットワーク(CM-GNN)を提案する。
具体的には、CM-GNNは、各セッションと全セッションに、それぞれローカルレベルグラフ畳み込みネットワーク(L-GCN)とグローバルレベルネットワーク(G-GCN)を適用し、アグリゲーション戦略により、全てのセッションのペアワイズ関係を効果的にキャプチャする。
一方、CM-GNNは高次グラフ畳み込みネットワーク(H-GCN)を用いて、すべての項目遷移の中で高次情報をキャプチャする。
CM-GNNはまた、L-GCNとG-GCNによって生成されたアイテム表現を融合させることで、ペアワイズな関係に基づくセッション表現を学習するための注意ベースの融合モジュールも導入している。
CM-GNNは、H-GCNによって得られた項目表現を平均化し、高次関係に基づくセッション表現を得る。
さらに、高次項目遷移情報を対関係に基づくセッション表現に変換するために、CM-GNNは、融合モジュールから派生した表現と平均プール層との相互情報をコントラッシブ学習パラダイムにより最大化する。
提案手法の有効性を検証するために,複数のベンチマークデータセットを用いた広範囲な実験を行った。
その結果,提案手法は最先端のSBR技術よりも優れていた。
関連論文リスト
- Topology-Aware Popularity Debiasing via Simplicial Complexes [19.378410889819165]
TSP(Test-time Simplicial Propagation)は、グラフニューラルネットワーク(GNN)の表現性を高めるために、simplicial Complex(SC)を組み込んだ。
提案手法は, SCを用いて複数順序関係を捕捉し, ユーザとイテムのインタラクションをより包括的に表現する。
提案手法はより均一なアイテム表現分布を生成し,より公平で正確なレコメンデーションを実現する。
論文 参考訳（メタデータ） (2024-11-21T07:12:47Z) - TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based
Recommendations [5.602191038593571]
テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。
TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-10-20T03:13:10Z) - 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) - RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。
既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。
両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
論文 参考訳（メタデータ） (2022-05-03T04:21:15Z) - Graph-Enhanced Multi-Task Learning of Multi-Level Transition Dynamics
for Session-based Recommendation [28.656887701954638]
セッションベースのレコメンデーションは、eコマースからオンライン広告サービスまで、幅広いオンラインアプリケーションにおいて中心的な役割を果たす。
既存のセッションベースレコメンデーション技術の大部分は、時間順および多レベル相互依存関係構造で表される複雑な遷移ダイナミクスを捉えるために十分に設計されていない。
マルチレベル遷移ダイナミクス(MTD)を用いたマルチタスク学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-08T09:34:05Z) - Improved Representation Learning for Session-based Recommendation [0.0]
セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。
既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。
我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2021-07-04T00:57:28Z) - Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。
より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文 参考訳（メタデータ） (2021-03-05T10:46:16Z) - MG-GCN: Fast and Effective Learning with Mix-grained Aggregators for
Training Large Graph Convolutional Networks [20.07942308916373]
グラフ畳み込みネットワーク(GCN)は、隣人層の情報を層ごとに集約することでノードの埋め込みを生成する。
GCNの高計算とメモリコストにより、大きなグラフのトレーニングが不可能になる。
MG-GCNと呼ばれる新しいモデルでは、精度、トレーニング速度、収束速度、メモリコストの点で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2020-11-17T14:51:57Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - 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) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z)
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。