論文の概要: Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning

• arxiv url: http://arxiv.org/abs/2408.08906v1
• Date: Tue, 13 Aug 2024 07:05:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 23:35:59.105626
• Title: Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning
• Title（参考訳）: アイテムレベルのカウンセレーション強化型マルチビューラーニングによるバンドル勧告
• Authors: Huy-Son Nguyen, Tuan-Nghia Bui, Long-Hai Nguyen, Hoang Manh-Hung, Cam-Van Thi Nguyen, Hoang-Quynh Le, Duc-Trong Le,
• Abstract要約: 項目レベルの因果関係を強化した多視点学習を用いた新しいバンドルレコメンデーション手法である BunCa を提案する。 BunCaは、Coherent ViewとCohesive Viewという2つのビューを通じて、ユーザとバンドルの包括的な表現を提供する。 BunCaによる3つのベンチマークデータセットの実験は、この新しい研究の有効性を実証している。
• 参考スコア（独自算出の注目度）: 1.901404011684453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bundle recommendation aims to enhance business profitability and user convenience by suggesting a set of interconnected items. In real-world scenarios, leveraging the impact of asymmetric item affiliations is crucial for effective bundle modeling and understanding user preferences. To address this, we present BunCa, a novel bundle recommendation approach employing item-level causation-enhanced multi-view learning. BunCa provides comprehensive representations of users and bundles through two views: the Coherent View, leveraging the Multi-Prospect Causation Network for causation-sensitive relations among items, and the Cohesive View, employing LightGCN for information propagation among users and bundles. Modeling user preferences and bundle construction combined from both views ensures rigorous cohesion in direct user-bundle interactions through the Cohesive View and captures explicit intents through the Coherent View. Simultaneously, the integration of concrete and discrete contrastive learning optimizes the consistency and self-discrimination of multi-view representations. Extensive experiments with BunCa on three benchmark datasets demonstrate the effectiveness of this novel research and validate our hypothesis.
• Abstract（参考訳）: バンドルレコメンデーションは、相互接続されたアイテムのセットを提案することによって、ビジネス利益性とユーザ利便性を高めることを目的としている。 現実のシナリオでは、非対称なアイテムアフィリエイトの影響を活用することが、効果的なバンドルモデリングとユーザの好みを理解する上で重要である。 そこで我々は,項目レベルの因果関係を強化した多視点学習を用いた新しいバンドルレコメンデーション手法 BunCa を提案する。 BunCaは2つのビューを通じて、ユーザとバンドルを包括的に表現する: Coherent View、アイテム間の因果関係にMulti-Prospect Causation Networkを活用するCohesive View、ユーザとバンドル間の情報伝達にLightGCNを使用するCohesive View。 両方のビューからユーザ好みとバンドル構築をモデリングすることで、Cohesive Viewを通じて直接ユーザとバンドルのインタラクションにおいて厳密な結合が保証され、Coherent Viewを通じて明示的なインテントをキャプチャします。 同時に、具体的および離散的コントラスト学習の統合は、多視点表現の一貫性と自己識別を最適化する。 BunCaによる3つのベンチマークデータセットによる大規模な実験は、この新しい研究の有効性を実証し、我々の仮説を検証する。

関連論文リスト

• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation [6.522900133742931]
  マルチ行動レコメンデーションは、ビュー、カートの追加、購入など、さまざまな行動に基づいたより正確な選択を提供する。 本稿では,KAMCL(Knowledge-Aware Multi-Intent Contrastive Learning)モデルを提案する。 このモデルは、インテントを構築するために知識グラフ内の関係を利用し、より正確なレコメンデーションを達成するためのインテントの観点から、ユーザのマルチビヘイビア間の接続をマイニングすることを目的としている。
  論文  参考訳（メタデータ） (2024-04-18T08:39:52Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation [10.08634397606628]
  我々は、ハイパーグラフ強化デュアル畳み込みニューラルネットワーク(HED)と呼ばれるバンドルレコメンデーションのための統一モデルを開発する。 まず、ユーザ、アイテム、バンドル間のインタラクションのダイナミクスを捉えるための完全なハイパーグラフを構築し、続いてU-Bインタラクション情報を組み込んで、ユーザから派生した情報表現を強化し、組込みベクトルをバンドルする。
  論文  参考訳（メタデータ） (2023-12-18T08:35:10Z)
• 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)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)
• 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)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)
• Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
  既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。 本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-07T13:48:26Z)

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。