論文の概要: Knowledge-Enhanced Recommendation with User-Centric Subgraph Network

• arxiv url: http://arxiv.org/abs/2403.14377v1
• Date: Thu, 21 Mar 2024 13:09:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 14:18:45.492033
• Title: Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
• Title（参考訳）: ユーザ中心のサブグラフネットワークによる知識強化勧告
• Authors: Guangyi Liu, Quanming Yao, Yongqi Zhang, Lei Chen,
• Abstract要約: 本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。 KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
• 参考スコア（独自算出の注目度）: 38.814514460928386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems, as widely implemented nowadays on various platforms, recommend relevant items to users based on their preferences. The classical methods which rely on user-item interaction matrices has limitations, especially in scenarios where there is a lack of interaction data for new items. Knowledge graph (KG)-based recommendation systems have emerged as a promising solution. However, most KG-based methods adopt node embeddings, which do not provide personalized recommendations for different users and cannot generalize well to the new items. To address these limitations, we propose Knowledge-enhanced User-Centric subgraph Network (KUCNet), a subgraph learning approach with graph neural network (GNN) for effective recommendation. KUCNet constructs a U-I subgraph for each user-item pair that captures both the historical information of user-item interactions and the side information provided in KG. An attention-based GNN is designed to encode the U-I subgraphs for recommendation. Considering efficiency, the pruned user-centric computation graph is further introduced such that multiple U-I subgraphs can be simultaneously computed and that the size can be pruned by Personalized PageRank. Our proposed method achieves accurate, efficient, and interpretable recommendations especially for new items. Experimental results demonstrate the superiority of KUCNet over state-of-the-art KG-based and collaborative filtering (CF)-based methods.
• Abstract（参考訳）: 近年,様々なプラットフォームに広く実装されているレコメンデーションシステムは,ユーザの好みに応じて関連項目を推薦する。 ユーザ-itemの相互作用行列に依存する古典的な手法には制限があり、特に新しい項目に対するインタラクションデータが欠如しているシナリオでは制限がある。 知識グラフ(KG)ベースのレコメンデーションシステムが,有望なソリューションとして登場した。 しかし、ほとんどのKGベースの手法はノード埋め込みを採用しており、異なるユーザに対してパーソナライズされたレコメンデーションを提供しておらず、新しい項目にうまく対応できない。 これらの制約に対処するために,グラフニューラルネットワーク(GNN)を用いたグラフ学習手法である知識強調型ユーザ中心サブグラフネットワーク(KUCNet)を提案する。 KUCNetは、ユーザ-itemペアごとにU-Iサブグラフを構築し、ユーザ-itemインタラクションの履歴情報とKGで提供されるサイド情報の両方をキャプチャする。 注意に基づくGNNは、U-Iサブグラフをエンコードしてレコメンデーションするように設計されている。 効率性を考慮すると、複数のU-Iサブグラフを同時に計算し、パーソナライズされたPageRankでサイズを計算できるように、パーソナライズされたユーザ中心の計算グラフがさらに導入される。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。 実験により,最先端のKGに基づく協調フィルタリング(CF)方式よりもKUCNetの方が優れていることが示された。

関連論文リスト

• How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics [0.2537383030441368]
  本稿では,項目カタログ上のユーザインタラクションを符号化することで,知識グラフに基づくレコメンデーションシステムを提案する。 本研究は,ネットワークレベルのKG測定値が推薦のサプライズ度に影響を及ぼすかどうかを考察する。 我々は、LastFMリスニング履歴と合成Netflix視聴プロファイルの2つのデータセットに対するアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2024-05-14T09:38:44Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• 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)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph [11.453995744951497]
  本研究では、知識グラフ(URIR)に基づくユーザリカレントニューラルネットワーク(RNN)エンコーダとアイテムエンコーダ推薦アルゴリズムを提案する。 3つの実世界のデータセットに関する数値実験により、データセットRはAUC、Precision、Recall、MRRなどの指標における最先端アルゴリズムよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2021-11-01T07:28:11Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Rule-Guided Graph Neural Networks for Recommender Systems [15.973065623038424]
  本稿ではルール学習とグラフニューラルネットワーク(GNN)を組み合わせたRGRecを提案する。 実世界の3つのデータセットに対するRGRecの有効性を示す。
  論文  参考訳（メタデータ） (2020-09-09T05:00:02Z)

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。