論文の概要: Semantic-Enhanced Relational Metric Learning for Recommender Systems
- arxiv url: http://arxiv.org/abs/2406.10246v1
- Date: Fri, 7 Jun 2024 11:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-23 13:35:51.771878
- Title: Semantic-Enhanced Relational Metric Learning for Recommender Systems
- Title（参考訳）: セマンティック強化されたリレーショナルメトリックラーニングによるレコメンダシステム
- Authors: Mingming Li, Fuqing Zhu, Feng Yuan, Songlin Hu,
- Abstract要約: 近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。
本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。
具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。
次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
- 参考スコア（独自算出の注目度）: 27.330164862413184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, relational metric learning methods have been received great attention in recommendation community, which is inspired by the translation mechanism in knowledge graph. Different from the knowledge graph where the entity-to-entity relations are given in advance, historical interactions lack explicit relations between users and items in recommender systems. Currently, many researchers have succeeded in constructing the implicit relations to remit this issue. However, in previous work, the learning process of the induction function only depends on a single source of data (i.e., user-item interaction) in a supervised manner, resulting in the co-occurrence relation that is free of any semantic information. In this paper, to tackle the above problem in recommender systems, we propose a joint Semantic-Enhanced Relational Metric Learning (SERML) framework that incorporates the semantic information. Specifically, the semantic signal is first extracted from the target reviews containing abundant item features and personalized user preferences. A novel regression model is then designed via leveraging the extracted semantic signal to improve the discriminative ability of original relation-based training process. On four widely-used public datasets, experimental results demonstrate that SERML produces a competitive performance compared with several state-of-the-art methods in recommender systems.
- Abstract（参考訳）: 近年,知識グラフの翻訳機構に触発されたリレーショナルメトリック学習手法が,推薦コミュニティで注目されている。
前もってエンティティとエンティティの関係が与えられる知識グラフとは異なり、歴史的相互作用はレコメンデーションシステムにおけるユーザとアイテム間の明確な関係を欠いている。
現在、多くの研究者がこの問題を省くために暗黙の関係を構築することに成功している。
しかし、従来の研究では、帰納関数の学習プロセスは、教師付き方法で単一のデータソース(すなわち、ユーザとイテムの相互作用)にのみ依存しており、結果として、どんな意味情報も含まない共起関係となる。
本稿では,この課題をレコメンデータシステムで解決するために,意味情報を組み込んだSERML(Semantic-Enhanced Relational Metric Learning)フレームワークを提案する。
具体的には、まず、豊富な項目の特徴とパーソナライズされたユーザの好みを含む対象レビューから意味信号を抽出する。
次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
広く使われている4つの公開データセットにおいて、SERMLはレコメンデータシステムにおけるいくつかの最先端手法と比較して、競争力のある性能を示す実験結果が得られた。
関連論文リスト
- Data Imputation using Large Language Model to Accelerate Recommendation System [3.853804391135035]
そこで本稿では,LLM(Large-Tune Large Language Model)を提案する。
大量のテキストで訓練されたLLMは、データ間の複雑な関係を理解し、行方不明の情報をインテリジェントに埋めることができる。
この強化されたデータは、より正確でパーソナライズされた提案を生成するためにレコメンデーションシステムによって使用される。
論文 参考訳（メタデータ） (2024-07-14T04:53:36Z) - Improving Content Recommendation: Knowledge Graph-Based Semantic Contrastive Learning for Diversity and Cold-Start Users [5.224122150536595]
本稿では,複数タスクのハイブリッド学習手法を提案する。
我々のアプローチは、テキストからの意味情報を活用することにより、知識グラフ内のエンティティ間の関係をよりよく理解することを可能にする。
論文 参考訳（メタデータ） (2024-03-27T15:11:00Z) - End-to-End Graph-Sequential Representation Learning for Accurate Recommendations [0.7673339435080445]
本稿では,これら2つのパラダイムの相乗効果を利用した新しい多表現学習フレームワークを提案する。
いくつかのデータセットに対する実験的な評価から,提案フレームワークによる逐次的およびグラフ的コンポーネントの相互学習が推奨性能を大幅に向上させることが示された。
論文 参考訳（メタデータ） (2024-03-01T15:32:44Z) - Metric Learning as a Service with Covariance Embedding [7.5989847759545155]
メトリック学習は、クラス内およびクラス間の類似性を最大化し、最小化する。
既存のモデルは、分離可能な埋め込み空間を得るために主に距離測度に依存する。
高性能なディープラーニングアプリケーションのためのサービスとしてメトリック学習を有効にするためには、クラス間の関係も賢明に扱うべきだ、と我々は主張する。
論文 参考訳（メタデータ） (2022-11-28T10:10:59Z) - 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) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳（メタデータ） (2020-01-08T01:19:08Z)
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。