論文の概要: Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket
Recommendation
- arxiv url: http://arxiv.org/abs/2312.15851v1
- Date: Tue, 26 Dec 2023 02:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 16:07:29.786105
- Title: Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket
Recommendation
- Title(参考訳): next-basketレコメンデーションのためのハイパーグラフ強化知識木プロンプト学習
- Authors: Zi-Feng Mai, Chang-Dong Wang, Zhongjie Zeng, Ya Li, Jiaquan Chen,
Philip S. Yu
- Abstract要約: 次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。
HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。
ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
- 参考スコア(独自算出の注目度): 50.55786122323965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Next-basket recommendation (NBR) aims to infer the items in the next basket
given the corresponding basket sequence. Existing NBR methods are mainly based
on either message passing in a plain graph or transition modelling in a basket
sequence. However, these methods only consider point-to-point binary item
relations while item dependencies in real world scenarios are often in higher
order. Additionally, the importance of the same item to different users varies
due to variation of user preferences, and the relations between items usually
involve various aspects. As pretrained language models (PLMs) excel in multiple
tasks in natural language processing (NLP) and computer vision (CV), many
researchers have made great efforts in utilizing PLMs to boost recommendation.
However, existing PLM-based recommendation methods degrade when encountering
Out-Of-Vocabulary (OOV) items. OOV items are those whose IDs are out of PLM's
vocabulary and thus unintelligible to PLM. To settle the above challenges, we
propose a novel method HEKP4NBR, which transforms the knowledge graph (KG) into
prompts, namely Knowledge Tree Prompt (KTP), to help PLM encode the OOV item
IDs in the user's basket sequence. A hypergraph convolutional module is
designed to build a hypergraph based on item similarities measured by an MoE
model from multiple aspects and then employ convolution on the hypergraph to
model correlations among multiple items. Extensive experiments are conducted on
HEKP4NBR on two datasets based on real company data and validate its
effectiveness against multiple state-of-the-art methods.
- Abstract(参考訳): next-basket recommendation (nbr) は、対応するバスケットシーケンスから次のバスケットのアイテムを推測することを目的としている。
既存のnbrメソッドは、主にプレーングラフでのメッセージパッシングか、バスケットシーケンスでの遷移モデリングに基づいている。
しかし、これらの手法はポイント・ツー・ポイントのバイナリアイテム関係のみを考慮し、現実世界のシナリオにおけるアイテム依存度は高次であることが多い。
さらに、異なるユーザに対する同じ項目の重要性は、ユーザの好みの変化によって異なり、アイテム間の関係は通常、さまざまな側面を含む。
プレトレーニング言語モデル(PLM)は自然言語処理(NLP)とコンピュータビジョン(CV)の複数のタスクに優れており、多くの研究者がPLMを活用してレコメンデーションを強化している。
しかし,既存の PLM ベースのレコメンデーション手法は,Of-Vocabulary (OOV) 項目に遭遇すると劣化する。
OOVアイテムは、PLMの語彙外にあるIDであり、PLMには理解できないものである。
そこで本研究では,知識グラフ(KG)をKTP(Knowledge Tree Prompt)というプロンプトに変換する手法HEKP4NBRを提案する。
ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似度に基づいてハイパーグラフを構築し、ハイパーグラフに畳み込みを用いて複数の項目間の相関をモデル化する。
実企業データに基づく2つのデータセットを用いたhekp4nbrの広範な実験を行い,その効果を検証する。
関連論文リスト
- Masked and Swapped Sequence Modeling for Next Novel Basket
Recommendation in Grocery Shopping [59.52585406731807]
次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。
我々は、次の新しいバスケットレコメンデーション(NNBR)タスク、すなわち、新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。
論文 参考訳(メタデータ) (2023-08-02T17:52:37Z) - Prefer to Classify: Improving Text Classifiers via Auxiliary Preference
Learning [76.43827771613127]
本稿では、このような補助データアノテーションの新しい代替手段として、入力テキストのペア間のタスク固有の嗜好について検討する。
本稿では、与えられた分類課題と補助的選好の両方を学ぶことの協調効果を享受できる、P2Cと呼ばれる新しい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) (2023-06-08T04:04:47Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Virtual Relational Knowledge Graphs for Recommendation [15.978408290522852]
全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。
まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。
また、ユーザ表現学習において、LWS機構をユーザアイコン二部グラフに適用する。
論文 参考訳(メタデータ) (2022-04-03T15:14:20Z) - Making a (Counterfactual) Difference One Rationale at a Time [5.97507595130844]
本研究では,人的支援を伴わない反現実的データ拡張が,セレクタの性能を向上させることができるかどうかを考察する。
以上の結果から,CDAは関心のシグナルをよりよく捉えた合理性を生み出すことが示唆された。
論文 参考訳(メタデータ) (2022-01-13T19:05:02Z) - Visual Transformer for Task-aware Active Learning [49.903358393660724]
プールベースのアクティブラーニングのための新しいパイプラインを提案する。
提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。
ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
論文 参考訳(メタデータ) (2021-06-07T17:13:59Z) - Deep Indexed Active Learning for Matching Heterogeneous Entity
Representations [20.15233789156307]
本稿では,ブロッキングのリコールとブロックペアのマッチング精度を最大化するために,組込みを共同で学習するスケーラブルなアクティブラーニング手法であるdiardを提案する。
5つのベンチマークデータセットと多言語レコードマッチングデータセットの実験は、精度、リコール、実行時間の観点から、我々のアプローチの有効性を示している。
論文 参考訳(メタデータ) (2021-04-08T18:00:19Z) - Differentiable Reasoning over a Virtual Knowledge Base [156.94984221342716]
コーパスを仮想知識ベース(KB)として,複雑なマルチホップ質問に答えるタスクについて検討する。
特に、コーパス内のエンティティの参照間の関係の経路をソフトに追従し、KBのようにテキストデータをトラバースするDrKITについて述べる。
DrKITは非常に効率的で、既存のマルチホップシステムよりも毎秒10-100倍のクエリを処理する。
論文 参考訳(メタデータ) (2020-02-25T03:13:32Z)
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。