論文の概要: Graph Reasoning for Explainable Cold Start Recommendation

• arxiv url: http://arxiv.org/abs/2406.07420v1
• Date: Tue, 11 Jun 2024 16:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 22:09:02.439848
• Title: Graph Reasoning for Explainable Cold Start Recommendation
• Title（参考訳）: 説明可能なコールドスタート勧告のためのグラフ推論
• Authors: Jibril Frej, Marta Knezevic, Tanja Kaser,
• Abstract要約: 新しいユーザーやアイテムがインタラクション履歴を持たないコールドスタート問題は、レコメンデーションシステムにおいて依然として重要な課題である。 コールドスタートレコメンデーションにグラフ推論手法を適用するためのフレームワークであるGRECSを提案する。 実験の結果, GRECSはコールドスタート問題を緩和し, 説明可能ながら, 競争ベースラインを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 1.8434042562191815
• License:
• Abstract: The cold start problem, where new users or items have no interaction history, remains a critical challenge in recommender systems (RS). A common solution involves using Knowledge Graphs (KG) to train entity embeddings or Graph Neural Networks (GNNs). Since KGs incorporate auxiliary data and not just user/item interactions, these methods can make relevant recommendations for cold users or items. Graph Reasoning (GR) methods, however, find paths from users to items to recommend using relations in the KG and, in the context of RS, have been used for interpretability. In this study, we propose GRECS: a framework for adapting GR to cold start recommendations. By utilizing explicit paths starting for users rather than relying only on entity embeddings, GRECS can find items corresponding to users' preferences by navigating the graph, even when limited information about users is available. Our experiments show that GRECS mitigates the cold start problem and outperforms competitive baselines across 5 standard datasets while being explainable. This study highlights the potential of GR for developing explainable recommender systems better suited for managing cold users and items.
• Abstract（参考訳）: 新しいユーザやアイテムがインタラクション履歴を持たないコールドスタート問題は、レコメンダシステム(RS)において依然として重要な課題である。 一般的なソリューションとしては、知識グラフ(KG)を使用してエンティティ埋め込みやグラフニューラルネットワーク(GNN)をトレーニングすることがある。 KGはユーザ/イテムインタラクションだけでなく,補助的なデータも含んでいるため,コールドユーザやアイテムに対して適切なレコメンデーションを行うことができる。 しかし、グラフ推論(GR)手法では、ユーザからアイテムへの経路を見つけ、KGでのリレーションシップの使用を推奨し、RSの文脈では、解釈可能性のために使用されている。 本研究では,GRをコールドスタートレコメンデーションに適用するためのフレームワークであるGRECSを提案する。 GRECSは、エンティティの埋め込みのみに頼るのではなく、ユーザにとって出発する明示的なパスを利用することで、ユーザに関する情報が限られている場合でも、グラフをナビゲートすることで、ユーザの好みに応じたアイテムを見つけることができる。 実験の結果,GRECSはコールドスタート問題を緩和し,説明可能な5つの標準データセット間の競争ベースラインを上回っていることがわかった。 本研究は,冷酷なユーザやアイテムの管理に適した,説明可能なレコメンデーションシステムを開発する上でのGRの可能性を強調した。

関連論文リスト

• Learning Social Graph for Inactive User Recommendation [50.090904659803854]
  LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。 実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-05-08T03:40:36Z)
• Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
  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。
  論文  参考訳（メタデータ） (2024-03-21T13:09:23Z)
• GPatch: Patching Graph Neural Networks for Cold-Start Recommendations [20.326139541161194]
  コールドスタートはレコメンデータシステムにおいて不可欠で永続的な問題です。 最先端のソリューションは、コールドスタートと既存のユーザ/イテムの両方のためのハイブリッドモデルのトレーニングに依存しています。 本稿では,2つの別個のコンポーネントを含むGNNベースのフレームワーク(GPatch)を提案する。
  論文  参考訳（メタデータ） (2022-09-25T13:16:39Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• 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)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• 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。