論文の概要: Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation

• arxiv url: http://arxiv.org/abs/2311.09577v1
• Date: Thu, 16 Nov 2023 05:23:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 16:40:52.137197
• Title: Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation
• Title（参考訳）: パーソナライズされたレコメンデーションのためのグループアウェアディスタングル型デュアルトレーニング
• Authors: Xiaolong Liu, Liangwei Yang, Zhiwei Liu, Xiaohan Li, Mingdai Yang, Chen Wang, Philip S. Yu
• Abstract要約: IGRec (Interest-based Group enhanced Recommendation) を提案する。 公開されている3つのデータセットについて広範な実験を行う。 その結果、IGRecはデータ疎結合問題を効果的に緩和し、興味に基づくグループ表現でレコメンダシステムを強化することができることがわかった。
• 参考スコア（独自算出の注目度）: 42.92141160362361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized recommender systems aim to predict users' preferences for items. It has become an indispensable part of online services. Online social platforms enable users to form groups based on their common interests. The users' group participation on social platforms reveals their interests and can be utilized as side information to mitigate the data sparsity and cold-start problem in recommender systems. Users join different groups out of different interests. In this paper, we generate group representation from the user's interests and propose IGRec (Interest-based Group enhanced Recommendation) to utilize the group information accurately. It consists of four modules. (1) Interest disentangler via self-gating that disentangles users' interests from their initial embedding representation. (2) Interest aggregator that generates the interest-based group representation by Gumbel-Softmax aggregation on the group members' interests. (3) Interest-based group aggregation that fuses user's representation with the participated group representation. (4) A dual-trained rating prediction module to utilize both user-item and group-item interactions. We conduct extensive experiments on three publicly available datasets. Results show IGRec can effectively alleviate the data sparsity problem and enhance the recommender system with interest-based group representation. Experiments on the group recommendation task further show the informativeness of interest-based group representation.
• Abstract（参考訳）: パーソナライズされたレコメンデータシステムは、ユーザのアイテムの好みを予測することを目的としている。 オンラインサービスでは欠かせない部分となっている。 オンラインソーシャルプラットフォームでは、ユーザーは共通の関心事に基づいてグループを形成できる。 ソーシャルプラットフォームへのユーザのグループ参加は、自身の関心を明らかにし、レコメンダシステムにおけるデータのスパーシティとコールドスタート問題を軽減するために、サイド情報として利用できる。 ユーザーは異なる関心事から異なるグループに参加する。 本稿では,ユーザの興味からグループ表現を生成し,グループ情報を正確に活用するためのIGRec(Interest-based Group enhanced Recommendation)を提案する。 4つのモジュールからなる。 1) ユーザの興味を最初の埋め込み表現から遠ざける自己制御による利害対立。 2)利子に基づくグループ表現を生成する利子アグリゲータは,利子をグンベル・ソフトマックスアグリゲータで構成する。 (3)参加グループ表現とユーザの表現を融合させる関心に基づくグループアグリゲーション。 (4) ユーザ・イテム相互作用とグループ・イテム相互作用の両方を利用する二重学習型評価予測モジュール。 3つの公開データセットについて広範な実験を行った。 その結果, igrecはデータのスパーシティ問題を効果的に軽減し, 関心に基づくグループ表現によるレコメンダシステムを強化できることがわかった。 グループレコメンデーションタスクに関する実験は、さらに興味に基づくグループ表現のインフォメーション性を示す。

関連論文リスト

• AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
  グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
  論文  参考訳（メタデータ） (2024-09-04T10:03:09Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• DeepGroup: Representation Learning for Group Recommendation with Implicit Feedback [0.5584060970507505]
  我々は、好みが不明な新しいユーザーグループへの推薦に重点を置いているが、他のグループの決定や選択が与えられている。 一連のグループとその観察された決定を考えると、グループ決定予測は、新しいグループのユーザーの決定を予測することを意図しています。 逆の社会的選択は、観察されたグループ決定に関わるユーザの好みを推測することを目的としています。
  論文  参考訳（メタデータ） (2021-03-13T02:05:26Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。