論文の概要: Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation
- arxiv url: http://arxiv.org/abs/2312.11018v1
- Date: Mon, 18 Dec 2023 08:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 20:38:38.869047
- Title: Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation
- Title(参考訳): バンドルレコメンデーションのためのHypergrah-Enhanced Dual Convolutional Network
- Authors: Kangbo Liu, Yang Li, Yaoxin Wu, Zhaoxuan Wang, Xiaoxu Wang
- Abstract要約: 我々は、ハイパーグラフ強化デュアル畳み込みニューラルネットワーク(HED)と呼ばれるバンドルレコメンデーションのための統一モデルを開発する。
まず、ユーザ、アイテム、バンドル間のインタラクションのダイナミクスを捉えるための完全なハイパーグラフを構築し、続いてU-Bインタラクション情報を組み込んで、ユーザから派生した情報表現を強化し、組込みベクトルをバンドルする。
- 参考スコア(独自算出の注目度): 10.08634397606628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bundle recommendations strive to offer users a set of items as a package
named bundle, enhancing convenience and contributing to the seller's revenue.
While previous approaches have demonstrated notable performance, we argue that
they may compromise the ternary relationship among users, items, and bundles.
This compromise can result in information loss, ultimately impacting the
overall model performance. To address this gap, we develop a unified model for
bundle recommendation, termed hypergraph-enhanced dual convolutional neural
network (HED). Our approach is characterized by two key aspects. Firstly, we
construct a complete hypergraph to capture interaction dynamics among users,
items, and bundles. Secondly, we incorporate U-B interaction information to
enhance the information representation derived from users and bundle embedding
vectors. Extensive experimental results on the Youshu and Netease datasets have
demonstrated that HED surpasses state-of-the-art baselines, proving its
effectiveness. In addition, various ablation studies and sensitivity analyses
revealed the working mechanism and proved our effectiveness. Codes and datasets
are available at https://github.com/AAI-Lab/HED
- Abstract(参考訳): bundle recommendationsは、bundleという名前のパッケージとして一連のアイテムを提供し、利便性を高め、販売者の収益に貢献することを目的としている。
これまでのアプローチでは顕著なパフォーマンスを示していたが,ユーザ,アイテム,バンドル間の3次関係を損なう可能性がある。
この妥協は情報損失をもたらし、最終的にはモデル全体のパフォーマンスに影響を及ぼす。
このギャップに対処するため,我々は,hypergraph-enhanced dual convolutional neural network (hed)と呼ばれる,バンドルレコメンデーションのための統一モデルを開発した。
我々のアプローチは2つの重要な側面によって特徴づけられる。
まず、ユーザ、アイテム、バンドル間のインタラクションダイナミクスをキャプチャするために、完全なハイパーグラフを構築します。
次に、u-bインタラクション情報を取り込んで、ユーザから派生した情報表現と埋め込みベクトルをバンドルする。
YoushuとNeteaseデータセットの大規模な実験結果によると、HEDは最先端のベースラインを超え、その有効性を証明している。
さらに, 各種アブレーション研究および感度解析により作業機構が明らかになり, 有効性が確認された。
コードとデータセットはhttps://github.com/aai-lab/hedで入手できる。
関連論文リスト
- Enhancing Scene Graph Generation with Hierarchical Relationships and
Commonsense Knowledge [4.005483185111993]
情報的階層構造を利用したベイズ分類ヘッドを提案する。
これは2つのオブジェクト間のスーパーカテゴリまたはタイプの関係を、それぞれのスーパーカテゴリの詳細な関係とともに共同で予測する。
シーングラフ予測システムから結果を評価するために,大規模言語モデルを用いたコモンセンス検証パイプラインを設計する。
論文 参考訳(メタデータ) (2023-11-21T06:03:20Z) - Gaussian Graph with Prototypical Contrastive Learning in E-Commerce
Bundle Recommendation [13.157762744149966]
既存のソリューションは、対照的なグラフ学習パラダイムに基づいている。
本稿では,これらの課題を克服するために,原型コントラスト学習フレームワークを用いたガウスグラフを提案する。
いくつかの公開データセットにおける従来の手法と比較して,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-07-25T12:56:41Z) - Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。
視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。
人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
論文 参考訳(メタデータ) (2023-03-16T00:06:28Z) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳(メタデータ) (2023-03-01T05:46:36Z) - 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) - Be Your Own Neighborhood: Detecting Adversarial Example by the
Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
本稿では,予測に有効な新しいAE検出フレームワークを提案する。
AEの異常な関係と拡張バージョンを区別して検出を行う。
表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
論文 参考訳(メタデータ) (2022-08-31T08:18:44Z) - Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
自己監督型ハイパーグラフ変換器(SHT)
自己監督型ハイパーグラフ変換器(SHT)
ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
論文 参考訳(メタデータ) (2022-07-28T18:40:30Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2020-05-07T13:48:26Z)
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。