論文の概要: Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2408.01342v1
• Date: Fri, 2 Aug 2024 15:38:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 12:58:15.414312
• Title: Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation
• Title（参考訳）: 効果的な会話レコメンデーションのための知識グラフ埋め込みの活用
• Authors: Yunwen Xia, Hui Fang, Jie Zhang, Chong Long,
• Abstract要約: 知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
• 参考スコア（独自算出の注目度）: 4.079573593766921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational recommender system (CRS), which combines the techniques of dialogue system and recommender system, has obtained increasing interest recently. In contrast to traditional recommender system, it learns the user preference better through interactions (i.e. conversations), and then further boosts the recommendation performance. However, existing studies on CRS ignore to address the relationship among attributes, users, and items effectively, which might lead to inappropriate questions and inaccurate recommendations. In this view, we propose a knowledge graph based conversational recommender system (referred as KG-CRS). Specifically, we first integrate the user-item graph and item-attribute graph into a dynamic graph, i.e., dynamically changing during the dialogue process by removing negative items or attributes. We then learn informative embedding of users, items, and attributes by also considering propagation through neighbors on the graph. Extensive experiments on three real datasets validate the superiority of our method over the state-of-the-art approaches in terms of both the recommendation and conversation tasks.
• Abstract（参考訳）: 近年,対話システムと推薦システムを組み合わせた会話推薦システム (CRS) が注目されている。 従来のレコメンデータシステムとは対照的に、対話(会話など)を通じてユーザの好みを学習し、さらにレコメンデーション性能を高める。 しかし、CRSに関する既存の研究は属性、ユーザ、項目間の関係を効果的に扱うことを無視しており、不適切な質問や不正確なレコメンデーションにつながる可能性がある。 本稿では,知識グラフに基づく会話推薦システム(KG-CRS)を提案する。 具体的には、まず、ユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフ、すなわち、負の項目や属性を取り除いて対話プロセス中に動的に変化するグラフに統合する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。 3つの実際のデータセットに対する大規模な実験は、提案課題と会話課題の両方の観点から、最先端のアプローチよりも、我々の手法の優位性を検証している。

関連論文リスト

• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• Multi-grained Hypergraph Interest Modeling for Conversational Recommendation [75.65483522949857]
  複雑な履歴データの下でユーザの興味を捉えるために, マルチグラデーション・ハイパーグラフ・インフォメーション・モデリング手法を提案する。 提案手法では,まず,ユーザの過去の対話セッションをモデル化し,セッションベースハイパーグラフを作成するためにハイパーグラフ構造を用いる。 さらに,2種類のハイパーグラフに対して多粒度ハイパーグラフの畳み込みを行い,拡張表現を用いて関心を意識したCRSを開発する。
  論文  参考訳（メタデータ） (2023-05-04T13:13:44Z)
• Variational Reasoning over Incomplete Knowledge Graphs for Conversational Recommendation [48.70062671767362]
  不完全KGs会話レコメンダ(VRICR)に対する変分推論を提案する。 我々のキーとなる考え方は、CRSを伴って自然に大きな対話コーパスを組み込んで、不完全なKGを強化することである。 また、KGsの対話特化部分グラフを適応的知識グラフの分類的先行を持つ潜在変数として表す。
  論文  参考訳（メタデータ） (2022-12-22T17:02:21Z)
• COLA: Improving Conversational Recommender Systems by Collaborative Augmentation [9.99763097964222]
  アイテム表現学習とユーザ嗜好モデリングの両方を改善するために,協調的拡張(COLA)手法を提案する。 すべての会話から対話型ユーザテムグラフを構築し,ユーザ認識情報によってアイテム表現を拡大する。 ユーザの嗜好モデルを改善するため,学習コーパスから類似した会話を検索し,ユーザの興味を反映した関連項目や属性を用いてユーザ表現を増強する。
  論文  参考訳（メタデータ） (2022-12-15T12:37:28Z)
• Knowledge Graph-enhanced Sampling for Conversational Recommender System [20.985222879085832]
  Conversational Recommendation System (CRS) は対話システムの対話形式を用いて従来のレコメンデーションシステムの問題を解決する。 本研究は,知識グラフ強調サンプリング(KGenSam)と呼ばれる,CRSに適した文脈情報強調モデルを提案する。 ユーザ嗜好を得るための不確実性の高いファジィサンプルと、リコメンデータを更新するための信頼性の高い負サンプルをサンプリングすることにより、2つのサンプルが知識を高めるように設計されている。
  論文  参考訳（メタデータ） (2021-10-13T11:00:50Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)
• Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion [77.21442487537139]
  対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。 まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。 第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
  論文  参考訳（メタデータ） (2020-07-08T11:14:23Z)

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。