論文の概要: Performance Comparison of Session-based Recommendation Algorithms based
on GNNs
- arxiv url: http://arxiv.org/abs/2312.16695v1
- Date: Wed, 27 Dec 2023 19:24:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 18:12:22.065327
- Title: Performance Comparison of Session-based Recommendation Algorithms based
on GNNs
- Title（参考訳）: GNNに基づくセッションベース推薦アルゴリズムの性能比較
- Authors: Faisal Shehzad and Dietmar Jannach
- Abstract要約: 本稿では,GNNをベースとした8つの手法の評価結果について報告する。
驚いたことに, 単純なモデルでは, 平均相反ランクにおいて, 最新のGNNモデルよりも優れていた。
さらなる分析により、例えばランダムシードのような論文で深く議論されていない他のいくつかの要因が、GNNベースのモデルの性能に顕著に影響を及ぼすことが明らかとなった。
- 参考スコア（独自算出の注目度）: 7.81768535871051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In session-based recommendation settings, a recommender system has to base
its suggestions on the user interactions that are ob served in an ongoing
session. Since such sessions can consist of only a small set of interactions,
various approaches based on Graph Neural Networks (GNN) were recently proposed,
as they allow us to integrate various types of side information about the items
in a natural way. Unfortunately, a variety of evaluation settings are used in
the literature, e.g., in terms of protocols, metrics and baselines, making it
difficult to assess what represents the state of the art. In this work, we
present the results of an evaluation of eight recent GNN-based approaches that
were published in high-quality outlets. For a fair comparison, all models are
systematically tuned and tested under identical conditions using three common
datasets. We furthermore include k-nearest-neighbor and sequential rules-based
models as baselines, as such models have previously exhibited competitive
performance results for similar settings. To our surprise, the evaluation
showed that the simple models outperform all recent GNN models in terms of the
Mean Reciprocal Rank, which we used as an optimization criterion, and were only
outperformed in three cases in terms of the Hit Rate. Additional analyses
furthermore reveal that several other factors that are often not deeply
discussed in papers, e.g., random seeds, can markedly impact the performance of
GNN-based models. Our results therefore (a) point to continuing issues in the
community in terms of research methodology and (b) indicate that there is ample
room for improvement in session-based recommendation.
- Abstract（参考訳）: セッションベースのレコメンデーション設定では、リコメンデーションシステムは、進行中のセッションで提供されないユーザインタラクションに基づいて提案をベースとする必要があります。
このようなセッションはごく少数のインタラクションでのみ構成できるため,グラフニューラルネットワーク(GNN)に基づく様々なアプローチが提案されている。
残念なことに、さまざまな評価設定が、例えばプロトコル、メトリクス、ベースラインといった文献で使われており、芸術の状態を表すものを評価することは困難である。
本研究は, 高品質メディアで最近発表された8つのGNNベースのアプローチの評価結果である。
公平な比較のために、すべてのモデルは3つの共通のデータセットを使用して体系的に調整され、同じ条件下でテストされます。
さらに、k-nearest-neighborとシーケンシャルなルールベースモデルもベースラインとして含みます。
驚いたことに、単純なモデルは、我々が最適化基準として使用した平均相互ランクの点で、最近の全てのgnnモデルよりも優れており、ヒット率の点では3つのケースでしかないことがわかった。
さらなる分析により、論文でしばしば深く議論されていない他のいくつかの要因、例えばランダム種は、gnnベースのモデルの性能に顕著な影響を及ぼすことが判明した。
したがって、我々の結果
(a)研究方法論の観点からのコミュニティの課題の継続と留意点
b)セッションベースのレコメンデーションの改善の余地が十分にあることを示す。
関連論文リスト
- A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph [14.12873271435375]
グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションにおいて大きな成功を収めている。
本稿では,GNNをベースとしたレコメンデーションに対する新たな評価視点を提案し,グラフトポロジがレコメンデーション性能に与える影響について検討する。
論文 参考訳（メタデータ） (2024-08-21T16:34:53Z) - A GNN Model with Adaptive Weights for Session-Based Recommendation Systems [0.0]
セッションベースレコメンデーション(SBR)で使用できる新しいアプローチを提案する。
本稿では,グラフニューラルネットワーク(GNN)ベクトルに適用した適応重み付け機構を提案する。
アイテムは、重み付けメカニズムの結果、各セッション内で様々な重要性の度合いが割り当てられます。
論文 参考訳（メタデータ） (2024-08-09T13:13:43Z) - Exploring Popularity Bias in Session-based Recommendation [0.6798775532273751]
セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。
本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
論文 参考訳（メタデータ） (2023-12-13T02:48:35Z) - Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls
and New Benchmarking [66.83273589348758]
リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。
近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。
これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
論文 参考訳（メタデータ） (2023-06-18T01:58:59Z) - On Pitfalls of Test-Time Adaptation [82.8392232222119]
TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。
TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
論文 参考訳（メタデータ） (2023-06-06T09:35:29Z) - 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) - Neighbor Enhanced Graph Convolutional Networks for Node Classification
and Recommendation [30.179717374489414]
本稿では,GCNモデルの性能に対する隣接品質の影響を理論的に分析する。
本稿では,既存のGCNモデルの性能向上を目的としたNeighbor Enhanced Graph Convolutional Network (NEGCN) フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-30T06:54:28Z) - Three Steps to Multimodal Trajectory Prediction: Modality Clustering,
Classification and Synthesis [54.249502356251085]
我々は新しい予測フレームワークと共に新しい洞察を示す。
提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
論文 参考訳（メタデータ） (2021-03-14T06:21:03Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Single-Layer Graph Convolutional Networks For Recommendation [17.3621098912528]
Graph Convolutional Networks (GCNs) は、推奨タスクで最先端のパフォーマンスを達成した。
既存のGCNモデルでは、関連するすべてのノード間で再帰アグリゲーションを行う傾向があり、計算上の重荷が発生する。
DA類似性によってフィルタリングされた隣人からの情報を集約し,ノード表現を生成するための単一のGCN層を提案する。
論文 参考訳（メタデータ） (2020-06-07T14:38:47Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。