論文の概要: A Temporal Graph Network Framework for Dynamic Recommendation

• arxiv url: http://arxiv.org/abs/2403.16066v2
• Date: Sat, 21 Dec 2024 10:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 22:39:30.490439
• Title: A Temporal Graph Network Framework for Dynamic Recommendation
• Title（参考訳）: 動的レコメンデーションのための時間グラフネットワークフレームワーク
• Authors: Yejin Kim, Youngbin Lee, Vincent Yuan, Annika Lee, Yongjae Lee,
• Abstract要約: 時間グラフネットワーク(TGN)は、時間とともにノードとエッジが動的に変化する状況を大幅に改善する。 本研究は,推薦システムにTGNを直接実装することで,このギャップを埋めるものである。 実世界のデータセットと、さまざまなグラフと履歴の埋め込み手法を用いて、TGNの適応性を示し、動的レコメンデーションシナリオにおけるその有効性を確認する。
• 参考スコア（独自算出の注目度）: 25.64437891099095
• License:
• Abstract: Recommender systems, crucial for user engagement on platforms like e-commerce and streaming services, often lag behind users' evolving preferences due to static data reliance. After Temporal Graph Networks (TGNs) were proposed, various studies have shown that TGN can significantly improve situations where the features of nodes and edges dynamically change over time. However, despite its promising capabilities, it has not been directly applied in recommender systems to date. Our study bridges this gap by directly implementing Temporal Graph Networks (TGN) in recommender systems, a first in this field. Using real-world datasets and a range of graph and history embedding methods, we show TGN's adaptability, confirming its effectiveness in dynamic recommendation scenarios.
• Abstract（参考訳）: 電子商取引やストリーミングサービスのようなプラットフォームでのユーザエンゲージメントに不可欠なレコメンダシステムは、静的なデータ依存のため、ユーザの進化する好みに遅れることが多い。 時間グラフネットワーク(TGN)が提案された後、様々な研究により、TGNは時間とともにノードとエッジの特徴が動的に変化する状況を大幅に改善できることが示されている。 しかし、その有望な機能にもかかわらず、これまでは直接レコメンデーションシステムには適用されていない。 本研究は、この分野で初めて推奨システムにTGNを直接実装することで、このギャップを埋めるものである。 実世界のデータセットと、さまざまなグラフと履歴の埋め込み手法を用いて、TGNの適応性を示し、動的レコメンデーションシナリオにおけるその有効性を確認する。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• 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)
• Social Recommendation through Heterogeneous Graph Modeling of the Long-term and Short-term Preference Defined by Dynamic Periods [5.369499761777157]
  本研究では,不均一グラフにソーシャル・ネットワーク・データの動的特性を組み込むことにより,ソーシャル・レコメンデーションを提供する新しい手法を提案する。 このモデルは実世界のデータに適用され、優れた性能を主張する。
  論文  参考訳（メタデータ） (2023-12-21T21:36:43Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• Graph Trend Networks for Recommendations [34.06649831739749]
  推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。 これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。 彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。 本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
  論文  参考訳（メタデータ） (2021-08-12T06:09:18Z)
• GraphSAIL: Graph Structure Aware Incremental Learning for Recommender Systems [47.51104205511256]
  我々は、一般的に経験されている破滅的な忘れの問題に対処するために、グラフ構造対応インクリメンタルラーニングフレームワーク、GraphSAILを開発した。 本手法は,インクリメンタルモデル更新時にユーザの長期的嗜好(項目の長期的特性)を保存する。
  論文  参考訳（メタデータ） (2020-08-25T04:33:59Z)
• Hierarchical BiGraph Neural Network as Recommendation Systems [0.0]
  本稿では,GNNをレコメンデーションシステムとして使用し,ビグラフフレームワークを用いてユーザイテム機能を構築する階層的アプローチを提案する。 実験の結果,現在の推薦システム手法と伝達性との競合性能が示された。
  論文  参考訳（メタデータ） (2020-07-27T18:01:41Z)
• Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
  時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。 メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2020-06-18T16:06:18Z)

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。