Fugu-MT 論文翻訳(概要): Explainable Session-based Recommendation via Path Reasoning

論文の概要: Explainable Session-based Recommendation via Path Reasoning

arxiv url: http://arxiv.org/abs/2403.00832v1
Date: Wed, 28 Feb 2024 12:11:08 GMT
ステータス: 処理完了
システム内更新日: 2024-03-05 23:08:36.367686
Title: Explainable Session-based Recommendation via Path Reasoning
Title（参考訳）: パス推論による説明可能なセッションベースレコメンデーション
Authors: Yang Cao, Shuo Shang, Jun Wang, and Wei Zhang
Abstract要約: 本稿では,既存のSRモデルのパス推論による説明可能性,すなわちPR4SRに関する階層的強化学習フレームワークを提案する。セッションにおける項目の重要性を考慮し、セッション内の項目を経路推論の出発点として選択するセッションレベルエージェントと、経路推論を行うパスレベルエージェントを設計する。特に、SRにおける逐次パターンのスキップ動作に適応する多目的報酬機構を設計し、知識グラフの探索効率を高めるために経路中点報酬を導入する。
参考スコア（独自算出の注目度）: 27.205463326317656
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper explores providing explainability for session-based recommendation (SR) by path reasoning. Current SR models emphasize accuracy but lack explainability, while traditional path reasoning prioritizes knowledge graph exploration, ignoring sequential patterns present in the session history. Therefore, we propose a generalized hierarchical reinforcement learning framework for SR, which improves the explainability of existing SR models via Path Reasoning, namely PR4SR. Considering the different importance of items to the session, we design the session-level agent to select the items in the session as the starting point for path reasoning and the path-level agent to perform path reasoning. In particular, we design a multi-target reward mechanism to adapt to the skip behaviors of sequential patterns in SR, and introduce path midpoint reward to enhance the exploration efficiency in knowledge graphs. To improve the completeness of the knowledge graph and to diversify the paths of explanation, we incorporate extracted feature information from images into the knowledge graph. We instantiate PR4SR in five state-of-the-art SR models (i.e., GRU4REC, NARM, GCSAN, SR-GNN, SASRec) and compare it with other explainable SR frameworks, to demonstrate the effectiveness of PR4SR for recommendation and explanation tasks through extensive experiments with these approaches on four datasets.
Abstract（参考訳）: 本稿では,セッションベースレコメンデーション(SR)のパス推論による説明可能性について検討する。現在のSRモデルは正確さを強調するが説明性に欠けるが、伝統的な経路推論はセッション履歴に存在するシーケンシャルなパターンを無視して知識グラフ探索を優先する。そこで我々は,既存のSRモデルのパス推論(PR4SR)による説明性を向上する,SRの階層的強化学習フレームワークを提案する。セッションに対する項目の重要度の違いを考慮して,セッション内の項目を経路推論の出発点として選択するセッションレベルエージェントと,パス推論を行うパスレベルエージェントを設計した。特に,srにおける逐次パターンのスキップ動作に対応するマルチターゲット報酬機構を設計し,知識グラフの探索効率を高めるためにパスミッドポイント報酬を導入する。知識グラフの完全性を改善し,説明の経路を多様化するために,画像から抽出した特徴情報を知識グラフに組み込んだ。 PR4SRを5つの最先端SRモデル(GRU4REC, NARM, GCSAN, SR-GNN, SASRec)でインスタンス化し、他の説明可能なSRフレームワークと比較し、これらのアプローチを4つのデータセット上で広範囲に実験することにより、PR4SRの推奨および説明タスクに対する有効性を実証する。

関連論文リスト

Path-of-Thoughts: Extracting and Following Paths for Robust Relational Reasoning with Large Language Models [62.12031550252253]
本稿では,関係推論に対処するための新しいフレームワークであるPath-of-Thoughts(PoT)を提案する。 PoTは、問題コンテキスト内の重要なエンティティ、関係、属性を識別するタスクに依存しないグラフを効率的に抽出する。 PoTは、提案された質問に対応するグラフ内の関連する推論連鎖を特定し、潜在的な答えの推論を容易にする。
論文参考訳（メタデータ） (2024-12-23T20:27:12Z)
Pay Attention to Attention for Sequential Recommendation [8.228670498220016]
トランスフォーマーベースのアプローチは、様々なシーケンスベースのタスクで顕著な成功を収めている。我々は、注意重み改善(AWRR)と呼ばれる新しい逐次レコメンデーション(SR)アプローチを提案する。 AWRRは注意重みに注意を払い、アイテム間の相関関係のより洗練された注意分布を可能にする。我々は、複数の実世界のデータセットに関する包括的な実験を行い、我々のアプローチが最先端のSRモデルより一貫して優れていることを示した。
論文参考訳（メタデータ） (2024-10-28T14:03:39Z)
Graph and Sequential Neural Networks in Session-based Recommendation: A Survey [41.59094128068782]
セッションベースのレコメンデーション(SR)は、ユーザの短期的な好みのキャプチャを専門とし、よりダイナミックでタイムリーなレコメンデーションを提供することを目指している。まず、様々なSRタスクの定義を明確にし、セッションベースレコメンデーションの特徴を紹介する。第2に,既存の手法を,逐次ニューラルネットワークとグラフニューラルネットワーク(GNN)の2つのカテゴリにまとめる。
論文参考訳（メタデータ） (2024-08-27T08:08:05Z)
DELRec: Distilling Sequential Pattern to Enhance LLMs-based Sequential Recommendation [7.914816884185941]
逐次リコメンデーション(SR)タスクは,ユーザの行動シーケンスを学習し,過去のインタラクションと好みの変化を関連付けることによって,ユーザの次のインタラクションを予測することを目的としている。従来のSRモデルは、外部ソースからアイテムタイトルに埋め込まれたより広いコンテキストや意味情報を無視して、トレーニングデータ内のシーケンシャルなパターンをキャプチャすることだけに重点を置いていることが多い。大規模言語モデル(LLM)は、その高度な理解能力と強力な一般化能力により、最近SRタスクにおいて有望であることが示されている。
論文参考訳（メタデータ） (2024-06-17T02:47:09Z)
RouteExplainer: An Explanation Framework for Vehicle Routing Problem [1.7034420812099471]
本稿では,生成経路における各エッジの影響を説明する,ポストホックな説明フレームワークであるRouteExplainerを提案する。本フレームワークは,行動系列として経路を再考し,行動影響モデルに基づく対実的説明をVRPに拡張することでこれを実現している。さらに、各エッジの意図を推測するエッジ分類器、エッジ分類器を訓練する損失関数、大言語モデル(LLM)による説明文生成を提案する。
論文参考訳（メタデータ） (2024-03-06T10:01:35Z)
Deep Reinforcement Learning from Hierarchical Preference Design [99.46415116087259]
本稿では,特定の構造を利用することにより,報酬設計プロセスの容易性を示す。シナリオのための階層的な報酬モデリングフレームワーク -- HERONを提案する。 (I) フィードバック信号は自然に階層構造を呈し、 (II) 報酬は希少であるが、政策学習を支援するためにあまり重要でないサロゲートフィードバックを持つ。
論文参考訳（メタデータ） (2023-09-06T00:44:29Z)
Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
論文参考訳（メタデータ） (2023-06-07T08:24:44Z)
RRSR:Reciprocal Reference-based Image Super-Resolution with Progressive Feature Alignment and Selection [66.08293086254851]
本稿では,RefSRネットワークの学習を強化するための相互学習フレームワークを提案する。新たに提案したモジュールは,マルチスケールの特徴空間に参照入力画像をアライメントし,参照認識機能の選択を行う。我々は,最近のRefSRモデルが相互学習パラダイムによって一貫した改善が可能であることを実証的に示す。
論文参考訳（メタデータ） (2022-11-08T12:39:35Z)
Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
論文参考訳（メタデータ） (2022-02-05T09:24:13Z)
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2021-11-24T04:34:26Z)

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。