論文の概要: Does Knowledge Graph Really Matter for Recommender Systems?

• arxiv url: http://arxiv.org/abs/2404.03164v1
• Date: Thu, 4 Apr 2024 02:32:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 16:03:13.223589
• Title: Does Knowledge Graph Really Matter for Recommender Systems?
• Title（参考訳）: 知識グラフはレコメンダシステムにとって本当に重要か?
• Authors: Haonan Zhang, Dongxia Wang, Zhu Sun, Yanhui Li, Youcheng Sun, Huizhi Liang, Wenhai Wang,
• Abstract要約: 知識グラフ (KG) はレコメンデーション精度を向上させるためにレコメンデーションシステム (RS) に広く導入されている。 本研究では,KGがユーザ・イテム相互作用グラフのみにダウングレードされたり,削除されたりしても,RSは必ずしも悪化しないことを示した。 KGがKGベースのRSの推薦精度にどの程度貢献するかを評価するための評価フレームワークKG4RecEvalを提案する。
• 参考スコア（独自算出の注目度）: 34.657764335319754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems (RSs) are designed to provide personalized recommendations to users. Recently, knowledge graphs (KGs) have been widely introduced in RSs to improve recommendation accuracy. In this study, however, we demonstrate that RSs do not necessarily perform worse even if the KG is downgraded to the user-item interaction graph only (or removed). We propose an evaluation framework KG4RecEval to systematically evaluate how much a KG contributes to the recommendation accuracy of a KG-based RS, using our defined metric KGER (KG utilization efficiency in recommendation). We consider the scenarios where knowledge in a KG gets completely removed, randomly distorted and decreased, and also where recommendations are for cold-start users. Our extensive experiments on four commonly used datasets and a number of state-of-the-art KG-based RSs reveal that: to remove, randomly distort or decrease knowledge does not necessarily decrease recommendation accuracy, even for cold-start users. These findings inspire us to rethink how to better utilize knowledge from existing KGs, whereby we discuss and provide insights into what characteristics of datasets and KG-based RSs may help improve KG utilization efficiency.
• Abstract（参考訳）: Recommender System(RS)は、ユーザにパーソナライズされたレコメンデーションを提供するように設計されている。 近年,リコメンデーション精度を向上させるため,知識グラフ(KG)がRSに広く導入されている。 しかし,本研究では,KGがユーザ・イテム相互作用グラフのみにダウングレードされたり,削除されたりしても,RSは必ずしも悪化しないことを示した。 提案手法では,提案手法を用いて,KGがKGベースRSの推薦精度にどの程度貢献するかを,提案手法を用いて体系的に評価する。 KGの知識が完全に取り除かれ、ランダムに歪められ、減少するシナリオや、コールドスタートユーザのためのレコメンデーションも考慮する。 一般的に使用されている4つのデータセットと、最先端のKGベースのRSに関する広範な実験は、次のように示している。 これらの知見は、既存のKGの知識をより有効活用する方法を再考するきっかけとなり、データセットとKGベースのRSの特徴がKGの利用効率を改善するのにどう役立つかを議論し、洞察する。

関連論文リスト

• LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
  本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。 提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
  論文  参考訳（メタデータ） (2024-06-22T14:14:03Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• MEKER: Memory Efficient Knowledge Embedding Representation for Link Prediction and Question Answering [65.62309538202771]
  知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。 KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。 リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:47:03Z)
• Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation [36.95691423601792]
  我々は,パーソナライズされたレコメンデーション(CG-KGR)のための協調指導を用いた注意深い知識認識型畳み込みネットワークを提案する。 CG-KGRは知識を意識した新しい推薦モデルであり、KGとユーザ・イテム相互作用の豊富でコヒーレントな学習を可能にする。 2つのレコメンデーションタスクで4つの実世界の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） (2021-09-05T11:55:20Z)
• 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)
• KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
  chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。 外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。 KECRS(Knowledge-Enriched Conversational Recommendation System)の提案 大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-05-18T03:52:06Z)

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。