Fugu-MT 論文翻訳(概要): GLoCIM: Global-view Long Chain Interest Modeling for news recommendation

論文の概要: GLoCIM: Global-view Long Chain Interest Modeling for news recommendation

arxiv url: http://arxiv.org/abs/2408.00859v2
Date: Tue, 24 Sep 2024 16:54:35 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 13:29:21.847261
Title: GLoCIM: Global-view Long Chain Interest Modeling for news recommendation
Title（参考訳）: GLoCIM: ニュースレコメンデーションのためのLong Chain Interest Modeling
Authors: Zhen Yang, Wenhui Wang, Tao Qi, Peng Zhang, Tianyun Zhang, Ru Zhang, Jianyi Liu, Yongfeng Huang,
Abstract要約: 候補者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。近年の取り組みは、全ユーザのクリックニュースシーケンスによって構築されたグローバルなクリックグラフにおいて、局所的なサブグラフ情報を抽出することに集中している。本稿では,Global-view Long Chain Interests Modeling for News recommendation (GLoCIM)を提案する。
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 candidate news articles to users has always been the core challenge of news recommendation system. News recommendations often require modeling of user interest to match candidate news. Recent efforts have primarily focused on extracting local subgraph information in a global click graph constructed by the clicked news sequence of all users. Howerer, the computational complexity of extracting global click graph information has hindered the ability to utilize far-reaching linkage which is hidden between two distant nodes in global click graph collaboratively among similar users. To overcome the problem above, we propose a Global-view Long Chain Interests Modeling for news recommendation (GLoCIM), which combines neighbor interest with long chain interest distilled from a global click graph, leveraging the collaboration among similar users to enhance news recommendation. We therefore design a long chain selection algorithm and long chain interest encoder to obtain global-view long chain interest from the global click graph. We design a gated network to integrate long chain interest with neighbor interest to achieve the collaborative interest among similar users. Subsequently we aggregate it with local news category-enhanced representation to generate final user representation. Then candidate news representation can be formed to match user representation to achieve news recommendation. Experimental results on real-world datasets validate the effectiveness of our method to improve the performance of news recommendation.
Abstract（参考訳）: 候補者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、しばしば候補者のニュースに合うようにユーザー関心のモデリングを必要とする。近年の取り組みは、全ユーザのクリックニュースシーケンスによって構築されたグローバルなクリックグラフにおいて、局所的なサブグラフ情報を抽出することに集中している。 Howererは、グローバルなクリックグラフ情報を抽出する計算の複雑さが、グローバルなクリックグラフ内の2つの離れたノードの間に隠された遠く離れたリンクを、類似ユーザの間で協調的に利用する能力を妨げている。上記の課題を克服するため,Global-view Long Chain Interests Modeling for News recommendation (GLoCIM)を提案する。そこで我々は,長鎖選択アルゴリズムと長鎖利得エンコーダを設計し,グローバルクリックグラフからグローバルビュー長鎖利得を得る。我々は、類似ユーザ間の協調的な関心を実現するために、近隣の関心と長い連鎖の関心を統合するために、ゲートネットワークを設計する。次に、それをローカルニュースカテゴリ拡張表現に集約し、最終的なユーザ表現を生成する。そして、ユーザ表現と一致してニュースレコメンデーションを実現するために、候補ニュース表現を形成することができる。実世界のデータセットによる実験結果から,ニュースレコメンデーションの性能向上のための手法の有効性が検証された。

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。