論文の概要: Knowledge Enhanced Multi-intent Transformer Network for Recommendation
- arxiv url: http://arxiv.org/abs/2405.20565v1
- Date: Fri, 31 May 2024 01:07:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 23:05:24.058075
- Title: Knowledge Enhanced Multi-intent Transformer Network for Recommendation
- Title(参考訳): 推薦のための知識強化マルチインテリジェント・トランスフォーマネットワーク
- Authors: Ding Zou, Wei Wei, Feida Zhu, Chuanyu Xu, Tao Zhang, Chengfu Huo,
- Abstract要約: 我々は,KGTN(Knowledge Enhanced Multi-intent Transformer Network for Recommendation)という新しいアプローチを提案する。
Graph Transformerを使用したGlobal Intentsは、ユーザ-item-relation-entityインタラクションからグラフトランスフォーマーへのグローバルシグナルを取り入れることで、学習可能なユーザ意図の取得に重点を置いている。
インテント下での知識コントラストの認知は、正確で堅牢な表現を学ぶことに集中している。
- 参考スコア(独自算出の注目度): 11.53964363972865
- License:
- Abstract: Incorporating Knowledge Graphs into Recommendation has attracted growing attention in industry, due to the great potential of KG in providing abundant supplementary information and interpretability for the underlying models. However, simply integrating KG into recommendation usually brings in negative feedback in industry, due to the ignorance of the following two factors: i) users' multiple intents, which involve diverse nodes in KG. For example, in e-commerce scenarios, users may exhibit preferences for specific styles, brands, or colors. ii) knowledge noise, which is a prevalent issue in Knowledge Enhanced Recommendation (KGR) and even more severe in industry scenarios. The irrelevant knowledge properties of items may result in inferior model performance compared to approaches that do not incorporate knowledge. To tackle these challenges, we propose a novel approach named Knowledge Enhanced Multi-intent Transformer Network for Recommendation (KGTN), comprising two primary modules: Global Intents Modeling with Graph Transformer, and Knowledge Contrastive Denoising under Intents. Specifically, Global Intents with Graph Transformer focuses on capturing learnable user intents, by incorporating global signals from user-item-relation-entity interactions with a graph transformer, meanwhile learning intent-aware user/item representations. Knowledge Contrastive Denoising under Intents is dedicated to learning precise and robust representations. It leverages intent-aware representations to sample relevant knowledge, and proposes a local-global contrastive mechanism to enhance noise-irrelevant representation learning. Extensive experiments conducted on benchmark datasets show the superior performance of our proposed method over the state-of-the-arts. And online A/B testing results on Alibaba large-scale industrial recommendation platform also indicate the real-scenario effectiveness of KGTN.
- Abstract(参考訳): 知識グラフをレコメンデーションに組み込むことは、KGが基盤となるモデルに十分な補足情報と解釈可能性を提供することで大きな可能性を秘めているため、業界で注目を集めている。
しかし、単にKGをレコメンデーションに組み込むと、以下の2つの要因が無くなったため、業界にネガティブなフィードバックをもたらすのが普通である。
i) KGの多様なノードを含むユーザの複数の意図。
例えば、eコマースのシナリオでは、ユーザーは特定のスタイル、ブランド、色を好みで表示することができる。
二 知識強化勧告(KGR)において一般的な問題であり、産業シナリオにおいてさらに深刻である知識ノイズ。
アイテムの無関係な知識特性は、知識を含まないアプローチに比べてモデル性能が劣る可能性がある。
これらの課題に対処するため、我々は、Global Intents Modeling with Graph TransformerとKGTN(Knowledge Enhanced Multi-intent Transformer Network for Recommendation)という2つの主要なモジュールからなる新しいアプローチを提案する。
具体的には、Global Intents with Graph Transformerは、学習可能なユーザインテントの取得に焦点を当て、グラフトランスフォーマーとユーザ-イテム-リレーション-エンタリティインタラクションからグローバルシグナルを取り入れ、一方、インテントを意識したユーザ/イテム表現を学習する。
インテント下での知識コントラストの認知は、正確で堅牢な表現を学ぶことに集中している。
意図認識表現を利用して関連する知識をサンプリングし、雑音非関連表現学習を強化するための局所的・言語的コントラスト機構を提案する。
ベンチマークデータセットを用いた大規模な実験により,提案手法が最先端技術よりも優れた性能を示した。
また、Alibabaの大規模産業レコメンデーションプラットフォーム上でのオンラインA/Bテストの結果も、KGTNの実効性を示している。
関連論文リスト
- Knowledge Graph Pruning for Recommendation [44.21660467094777]
我々は,推薦に適した知識グラフ解析のためのKGTrimmerという新しい手法を提案する。
集合的観点からは、豊富な協調的な信号に基づいてコミュニティのコンセンサスを抽出し、集合的知性の概念を取り入れる。
次に、エンド・ツー・エンドの重要度を意識したグラフニューラルネットワークを構築し、フィルタされた知識を注入し、貴重なユーザ・イテム協調信号の蒸留を強化する。
論文 参考訳(メタデータ) (2024-05-19T12:07:24Z) - 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) - Knowledge-Aware Prompt Tuning for Generalizable Vision-Language Models [64.24227572048075]
本稿では,視覚言語モデルのためのKnowledge-Aware Prompt Tuning(KAPT)フレームワークを提案する。
我々のアプローチは、人間の知性からインスピレーションを得ており、外部知識は、通常、オブジェクトの新たなカテゴリを認識するために組み込まれています。
論文 参考訳(メタデータ) (2023-08-22T04:24:45Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳(メタデータ) (2023-06-14T13:07:48Z) - Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。
具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。
我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
論文 参考訳(メタデータ) (2022-05-02T15:24:53Z) - Conditional Attention Networks for Distilling Knowledge Graphs in
Recommendation [74.14009444678031]
本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。
本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。
そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
論文 参考訳(メタデータ) (2021-11-03T09:40:43Z) - 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) - A Duet Recommendation Algorithm Based on Jointly Local and Global
Representation Learning [15.942495330390463]
異種情報から局所的およびグローバルな表現学習を捉えるための知識認識に基づく推薦アルゴリズムを提案する。
局所的および大域的表現は、注意機構を持つグラフ畳み込みネットワークによって共同で学習されるので、最終的な推奨確率は、完全に接続されたニューラルネットワークによって計算される。
論文 参考訳(メタデータ) (2020-12-03T01:52:14Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。