論文の概要: LICM: Effective and Efficient Long Interest Chain Modeling for News Recommendation

• arxiv url: http://arxiv.org/abs/2408.00859v1
• Date: Thu, 1 Aug 2024 18:17:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 15:16:52.064821
• Title: LICM: Effective and Efficient Long Interest Chain Modeling for News Recommendation
• Title（参考訳）: licM:ニュースレコメンデーションのための効率的かつ効率的な長鎖モデリング
• Authors: Zhen Yang, Wenhui Wang, Tao Qi, Peng Zhang, Tianyun Zhang, Ru Zhang, Jianyi Liu, Yongfeng Huang,
• Abstract要約: ニュースレコメンデーション(licM)のための効率的かつ効率的な長鎖モデリング法を提案する。 licMは、近隣の関心と、グローバルなニュースクリックグラフから抽出したロングチェーンの関心を、類似のユーザのコラボレーションに基づいて組み合わせて、ニュースレコメンデーションを強化している。 実世界のデータセットによる実験結果から,提案モデルの有効性と有効性を検証し,ニュースレコメンデーションの性能を向上させる。
• 参考スコア（独自算出の注目度）: 59.3925442282951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately recommending personalized candidate news articles to users has always been the core challenge of news recommendation system. News recommendations often require modeling of user interests to match candidate news. Recent efforts have primarily focused on extract local subgraph information, the lack of a comprehensive global news graph extraction has hindered the ability to utilize global news information collaboratively among similar users. To overcome these limitations, we propose an effective and efficient Long Interest Chain Modeling for News Recommendation(LICM), which combines neighbor interest with long-chain interest distilled from a global news click graph based on the collaborative of similar users to enhance news recommendation. For a global news graph based on the click history of all users, long chain interest generated from it can better utilize the high-dimensional information within it, enhancing the effectiveness of collaborative recommendations. We therefore design a comprehensive selection mechanism and interest encoder to obtain long-chain interest from the global graph. Finally, we use a gated network to integrate long-chain information with neighbor information to achieve the final user representation. Experiment results on real-world datasets validate the effectiveness and efficiency of our model to improve the performance of news recommendation.
• Abstract（参考訳）: パーソナライズされた候補のニュース記事をユーザーに正確に推薦することは、常にニュースレコメンデーションシステムの中核的な課題である。 ニュースレコメンデーションは、候補者のニュースにマッチするために、しばしばユーザーの興味のモデリングを必要とする。 近年,局所的なサブグラフ情報の抽出に重点を置いているが,包括的グローバルニュースグラフ抽出の欠如により,類似ユーザ間での協調的なグローバルニュース情報の活用が妨げられている。 これらの制約を克服するために,近隣の関心とグローバルなニュースクリックグラフから抽出した長鎖興味とを組み合わせ,ニュースレコメンデーションを強化するための,効果的で効率的な長鎖チェインモデリング(licM)を提案する。 全ユーザのクリック履歴に基づくグローバルニュースグラフでは、その中の高次元情報をより活用し、協調的なレコメンデーションの有効性を高めることができる。 そこで我々は,グローバルグラフから長鎖利得を得るために,包括的選択機構と利子エンコーダを設計する。 最後に、ゲートネットワークを用いて、隣接する情報と長鎖情報を統合し、最終的なユーザ表現を実現する。 実世界のデータセットによる実験結果から,提案モデルの有効性と有効性を検証し,ニュースレコメンデーションの性能を向上させる。

関連論文リスト

• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations [12.783388192026855]
  本稿では,GLORY(Global-Local News Recommendation sYstem)と呼ばれる新しいモデルを提案する。 我々は、グローバルニュースグラフを含み、ゲートグラフニューラルネットワークを用いてニュース表現を豊かにする、グローバル対応歴史ニュースを構築することで、これを実現する。 我々は,このアプローチをグローバルなエンティティグラフと候補ニュースアグリゲータを利用して,候補ニュース表現を強化するグローバル候補ニュースに拡張する。
  論文  参考訳（メタデータ） (2023-07-13T06:25:22Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• GLIMG: Global and Local Item Graphs for Top-N Recommender Systems [12.631785780195996]
  GLIMG(Global and Local IteM Graphs)と呼ばれる新しいグラフベースのレコメンデーションモデルを提案する。 グローバルグラフとローカルグラフを適応型半教師付き学習モデルに統合することにより、利用者のアイテムに対する好みをグローバルかつローカルに広める。 提案手法は,トップNレコメンデーションタスクにおける最先端技術よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-07-28T06:50:28Z)
• Graph Enhanced Representation Learning for News Recommendation [85.3295446374509]
  本稿では,ユーザとニュースの表現学習を強化するニューズレコメンデーション手法を提案する。 本手法では,歴史的ユーザクリック行動から構築した二部グラフのノードとして,ユーザとニュースをみなす。
  論文  参考訳（メタデータ） (2020-03-31T15:27:31Z)
• 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。