論文の概要: Modeling Reference-dependent Choices with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2408.11302v1
- Date: Wed, 21 Aug 2024 03:14:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 18:38:57.985687
- Title: Modeling Reference-dependent Choices with Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークを用いた参照依存選択のモデル化
- Authors: Liang Zhang, Guannan Liu, Junjie Wu, Yong Tan,
- Abstract要約: 本稿では,データ駆動の観点から参照依存の嗜好をモデル化する新たな研究課題を提案する。
我々はAttributed Reference-dependent Choice Model for Recommendation(ArcRec)という新しいディープラーニングベースのフレームワークを設計する。
ArcRecは、理論的な参照ポイントをインスタンス化するための、集計された履歴購入レコードから参照ネットワークを構築する機能を持つ。
- 参考スコア(独自算出の注目度): 8.62512702264403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the classic Prospect Theory has highlighted the reference-dependent and comparative nature of consumers' product evaluation processes, few models have successfully integrated this theoretical hypothesis into data-driven preference quantification, particularly in the realm of recommender systems development. To bridge this gap, we propose a new research problem of modeling reference-dependent preferences from a data-driven perspective, and design a novel deep learning-based framework named Attributed Reference-dependent Choice Model for Recommendation (ArcRec) to tackle the inherent challenges associated with this problem. ArcRec features in building a reference network from aggregated historical purchase records for instantiating theoretical reference points, which is then decomposed into product attribute specific sub-networks and represented through Graph Neural Networks. In this way, the reference points of a consumer can be encoded at the attribute-level individually from her past experiences but also reflect the crowd influences. ArcRec also makes novel contributions to quantifying consumers' reference-dependent preferences using a deep neural network-based utility function that integrates both interest-inspired and price-inspired preferences, with their complex interaction effects captured by an attribute-aware price sensitivity mechanism. Most importantly, ArcRec introduces a novel Attribute-level Willingness-To-Pay measure to the reference-dependent utility function, which captures a consumer's heterogeneous salience of product attributes via observing her attribute-level price tolerance to a product. Empirical evaluations on both synthetic and real-world online shopping datasets demonstrate ArcRec's superior performances over fourteen state-of-the-art baselines.
- Abstract(参考訳): 古典的なプロスペクト理論は、消費者の製品評価プロセスの基準依存性と比較特性を強調しているが、この理論をデータ駆動の選好定量化、特にレコメンダシステムの開発の領域においてうまく統合したモデルはほとんどない。
このギャップを埋めるために、データ駆動の観点から参照依存的嗜好をモデル化する新たな研究課題を提案し、この課題に関連する固有の課題に取り組むために、Attributed Reference-dependent Choice Model for Recommendation (ArcRec)と呼ばれる新しいディープラーニングベースのフレームワークを設計する。
ArcRecは、集計された履歴購入記録から参照ネットワークを構築することで、理論的な参照ポイントをインスタンス化し、製品属性固有のサブネットワークに分解し、グラフニューラルネットワークを介して表現する。
このように、消費者の参照ポイントは、過去の経験から個々の属性レベルにエンコードされるが、また、群衆の影響を反映することもできる。
ArcRecはまた、深いニューラルネットワークベースのユーティリティ機能を使用して、消費者の参照依存の嗜好の定量化に新たな貢献をしている。
最も重要なことは、ArcRecが新しいアトリビュートレベルのウィリングネス・トゥ・ペイ(Willingness-To-Pay)尺度をリファレンス依存ユーティリティ関数に導入し、製品に対する属性レベルの価格耐性を観察することで、消費者の商品属性の不均一なサリエンスをキャプチャする。
合成および実世界のオンラインショッピングデータセットに関する実証的な評価は、ArcRecの14の最先端ベースラインよりも優れたパフォーマンスを示している。
関連論文リスト
- Exploring Popularity Bias in Session-based Recommendation [0.6798775532273751]
セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。
本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
論文 参考訳(メタデータ) (2023-12-13T02:48:35Z) - Enhanced E-Commerce Attribute Extraction: Innovating with Decorative
Relation Correction and LLAMA 2.0-Based Annotation [4.81846973621209]
本稿では,分類のためのBERT,属性値抽出のための条件付きランダムフィールド(CRF)層,データアノテーションのための大規模言語モデル(LLM)を統合した先駆的フレームワークを提案する。
提案手法は, CRFのシーケンス復号技術と相乗化したBERTの頑健な表現学習を利用して, 属性値の同定と抽出を行う。
私たちの方法論は、Walmart、BestBuyのEコマースNERデータセット、CoNLLデータセットなど、さまざまなデータセットで厳格に検証されています。
論文 参考訳(メタデータ) (2023-12-09T08:26:30Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - Relational Prior Knowledge Graphs for Detection and Instance
Segmentation [24.360473253478112]
本稿では,先行値を用いたオブジェクト機能拡張グラフを提案する。
COCOの実験的評価は、リレーショナル先行で拡張されたシーングラフの利用は、オブジェクト検出とインスタンスセグメンテーションの利点をもたらすことを示している。
論文 参考訳(メタデータ) (2023-10-11T15:15:05Z) - Cross-Attribute Matrix Factorization Model with Shared User Embedding [0.5266869303483376]
我々は,ユーザとアイテム間のインタラクションだけでなく,関連する属性の横断性も考慮した改良されたNeuMFモデルを提案する。
提案アーキテクチャは共有ユーザ埋め込みを特徴とし,ユーザ埋め込みとシームレスに統合することにより,ロバスト性を損なうとともに,コールドスタート問題に効果的に対処する。
論文 参考訳(メタデータ) (2023-08-14T17:15:37Z) - Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。
PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。
具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
論文 参考訳(メタデータ) (2023-03-21T15:34:50Z) - Reinforcement Learning based Path Exploration for Sequential Explainable
Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。
TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。
2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文 参考訳(メタデータ) (2021-11-24T04:34:26Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳(メタデータ) (2021-01-18T08:37:13Z) - Learning from Context or Names? An Empirical Study on Neural Relation
Extraction [112.06614505580501]
テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前)
本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。
我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
論文 参考訳(メタデータ) (2020-10-05T11:21:59Z) - Critically Examining the Claimed Value of Convolutions over User-Item
Embedding Maps for Recommender Systems [14.414055798999764]
近年,推薦システムの領域におけるアルゴリズム研究は,行列因数分解技術からニューラルアプローチへと移行している。
文献で報告された主張利益は, 埋め込み相関をモデル化するCNNの能力によるものではない, という分析的考察と実証的評価を通して示す。
論文 参考訳(メタデータ) (2020-07-23T10:03:47Z) - Rethinking Generalization of Neural Models: A Named Entity Recognition
Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。
詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。
本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文 参考訳(メタデータ) (2020-01-12T04:33:53Z)
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。