論文の概要: Alleviating Behavior Data Imbalance for Multi-Behavior Graph
Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2311.06777v1
- Date: Sun, 12 Nov 2023 08:46:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 16:54:22.026874
- Title: Alleviating Behavior Data Imbalance for Multi-Behavior Graph
Collaborative Filtering
- Title(参考訳): マルチビヘイビアグラフ協調フィルタリングのための行動データ不均衡の緩和
- Authors: Yijie Zhang, Yuanchen Bei, Shiqi Yang, Hao Chen, Zhiqing Li, Lijia
Chen, Feiran Huang
- Abstract要約: マルチビヘイビアグラフ協調フィルタリングのための振舞いデータ不均衡を緩和する簡易かつ効果的なモデルであるIGGCFを提案する。
IMGCFはマルチタスク学習フレームワークを使用して、マルチビヘイビアグラフ上の協調フィルタリングを行う。
広く使われている2つのマルチビヘイビアデータセットの実験は、IGGCFの有効性を実証している。
- 参考スコア(独自算出の注目度): 14.396131602165598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph collaborative filtering, which learns user and item representations
through message propagation over the user-item interaction graph, has been
shown to effectively enhance recommendation performance. However, most current
graph collaborative filtering models mainly construct the interaction graph on
a single behavior domain (e.g. click), even though users exhibit various types
of behaviors on real-world platforms, including actions like click, cart, and
purchase. Furthermore, due to variations in user engagement, there exists an
imbalance in the scale of different types of behaviors. For instance, users may
click and view multiple items but only make selective purchases from a small
subset of them. How to alleviate the behavior imbalance problem and utilize
information from the multiple behavior graphs concurrently to improve the
target behavior conversion (e.g. purchase) remains underexplored. To this end,
we propose IMGCF, a simple but effective model to alleviate behavior data
imbalance for multi-behavior graph collaborative filtering. Specifically, IMGCF
utilizes a multi-task learning framework for collaborative filtering on
multi-behavior graphs. Then, to mitigate the data imbalance issue, IMGCF
improves representation learning on the sparse behavior by leveraging
representations learned from the behavior domain with abundant data volumes.
Experiments on two widely-used multi-behavior datasets demonstrate the
effectiveness of IMGCF.
- Abstract(参考訳): ユーザとイテムのインタラクショングラフ上でメッセージの伝搬を通じてユーザとアイテムの表現を学習するグラフ協調フィルタリングは、推奨性能を効果的に向上させる。
しかし、現在のグラフコラボレーティブフィルタリングモデルのほとんどは、クリック、カート、購入などのアクションを含む現実世界のプラットフォーム上で、ユーザがさまざまな種類の振る舞いを示すにもかかわらず、単一の行動ドメイン(クリックなど)上でインタラクショングラフを構築する。
さらに、ユーザのエンゲージメントの変動により、さまざまなタイプの行動の規模に不均衡が存在する。
例えば、ユーザーは複数のアイテムをクリックして見ることができるが、その小さなサブセットからしか購入できない。
行動の不均衡を緩和し、複数の行動グラフからの情報を同時に活用して、ターゲットの行動変換(購入など)を改善する方法については、未検討のままである。
この目的のために,マルチビヘイビアグラフ協調フィルタリングのための振舞いデータ不均衡を緩和する簡易かつ効果的なモデルであるIGGCFを提案する。
特に、IMGCFはマルチタスク学習フレームワークを使用して、マルチビヘイビアグラフ上の協調フィルタリングを行う。
そして、データ不均衡問題を緩和するために、ICGCFは、豊富なデータボリュームを持つ振る舞い領域から学習した表現を活用することにより、スパース動作の表現学習を改善する。
広く使われている2つのマルチビヘイビアデータセットの実験は、IGGCFの有効性を実証している。
関連論文リスト
- CoActionGraphRec: Sequential Multi-Interest Recommendations Using Co-Action Graphs [4.031699584957737]
eBayのデータは、他のEコマースサイトよりも桁違いに多い。
共作用グラフ層を利用したテキストベースの2tower深層学習モデル(アイテムタワーとユーザタワー)を提案する。
項目タワーでは、各項目をその共作用項目を用いて表現し、グラフニューラルネットワークコンポーネントによって完全に活用される協調作用グラフで協調的な信号をキャプチャする。
論文 参考訳(メタデータ) (2024-10-15T10:11:18Z) - Compressed Interaction Graph based Framework for Multi-behavior
Recommendation [46.16750419508853]
不均衡なデータ分布とスパースターゲットの振る舞いのため、マルチビヘイビアデータの探索は困難である。
上記の制限を克服するために、圧縮インタラクショングラフベースのフレームワークであるCIGFを提案する。
マルチタスク学習のためのCIGCNの上部に個別の入力を持つMulti-Expert with Separate Input (MESI) ネットワークを提案する。
論文 参考訳(メタデータ) (2023-03-04T13:41:36Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-03T05:28:14Z) - Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。
本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。
提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-02-17T08:51:24Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳(メタデータ) (2021-09-07T04:28:09Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳(メタデータ) (2021-01-08T04:16:24Z) - 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) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳(メタデータ) (2020-01-28T04:41:25Z)
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。