論文の概要: AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation

• arxiv url: http://arxiv.org/abs/2409.02580v1
• Date: Wed, 4 Sep 2024 10:03:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 19:10:42.916616
• Title: AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation
• Title（参考訳）: AlignGroup: グループ勧告に対するメンバの選好によるグループ合意の学習と調整
• Authors: Jinfeng Xu, Zheyu Chen, Jinze Li, Shuo Yang, Hewei Wang, Edith C. -H. Ngai,
• Abstract要約: グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
• 参考スコア（独自算出の注目度）: 7.8148534870343225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group activities are important behaviors in human society, providing personalized recommendations for groups is referred to as the group recommendation task. Existing methods can usually be categorized into two strategies to infer group preferences: 1) determining group preferences by aggregating members' personalized preferences, and 2) inferring group consensus by capturing group members' coherent decisions after common compromises. However, the former would suffer from the lack of group-level considerations, and the latter overlooks the fine-grained preferences of individual users. To this end, we propose a novel group recommendation method AlignGroup, which focuses on both group consensus and individual preferences of group members to infer the group decision-making. Specifically, AlignGroup explores group consensus through a well-designed hypergraph neural network that efficiently learns intra- and inter-group relationships. Moreover, AlignGroup innovatively utilizes a self-supervised alignment task to capture fine-grained group decision-making by aligning the group consensus with members' common preferences. Extensive experiments on two real-world datasets validate that our AlignGroup outperforms the state-of-the-art on both the group recommendation task and the user recommendation task, as well as outperforms the efficiency of most baselines.
• Abstract（参考訳）: グループ活動は、人間の社会において重要な行動であり、グループに対してパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 既存の方法は通常、グループの選好を推測する2つの戦略に分類することができる。 1【メンバーのパーソナライズされた嗜好を集約してグループ選好を決定する】 2)共通妥協後のグループメンバーのコヒーレントな決定を捉えることでグループコンセンサスを推測する。 しかし、前者はグループレベルの考慮の欠如に悩まされ、後者は個々のユーザの細かい好みを見落としている。 そこで本研究では,グループ・コンセンサスとグループ・コンセンサス(グループ・コンセンサス)とグループ・コンセンサス(グループ・コンセンサス)の両方に着目したグループ・リコメンデーション手法であるAlignGroupを提案する。 具体的には、AlignGroupは、グループ内およびグループ間関係を効率的に学習する、よく設計されたハイパーグラフニューラルネットワークを通じてグループコンセンサスを探索する。 さらに、AlignGroupは、グループコンセンサスをメンバーの共通の嗜好と整合させることで、グループ決定をきめ細かいものにするために、自己教師付きアライメントタスクを革新的に活用する。 2つの実世界のデータセットに対する大規模な実験は、AlignGroupがグループ推薦タスクとユーザ推薦タスクの両方で最先端を、そしてほとんどのベースラインの効率を上回ることを示した。

関連論文リスト

• Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation [42.92141160362361]
  IGRec (Interest-based Group enhanced Recommendation) を提案する。 公開されている3つのデータセットについて広範な実験を行う。 その結果、IGRecはデータ疎結合問題を効果的に緩和し、興味に基づくグループ表現でレコメンダシステムを強化することができることがわかった。
  論文  参考訳（メタデータ） (2023-11-16T05:23:53Z)
• Multi-Granularity Attention Model for Group Recommendation [7.764789596492022]
  グループレコメンデーションは、共有された興味、好み、特徴に基づいて、ユーザーグループにパーソナライズされたレコメンデーションを提供する。 本稿では、グループメンバーの潜伏傾向を解明し、推薦ノイズを軽減するために、MGAM(Multi-Granularity Attention Model)を提案する。 提案手法は,複数の粒度にわたるグループ推薦ノイズを効果的に低減し,個人の興味を包括的に学習する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:44Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• DeepGroup: Representation Learning for Group Recommendation with Implicit Feedback [0.5584060970507505]
  我々は、好みが不明な新しいユーザーグループへの推薦に重点を置いているが、他のグループの決定や選択が与えられている。 一連のグループとその観察された決定を考えると、グループ決定予測は、新しいグループのユーザーの決定を予測することを意図しています。 逆の社会的選択は、観察されたグループ決定に関わるユーザの好みを推測することを目的としています。
  論文  参考訳（メタデータ） (2021-03-13T02:05:26Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)
• Robust Optimization for Fairness with Noisy Protected Groups [85.13255550021495]
  ノイズが保護されたグループラベルに頼った結果について検討した。 頑健な最適化を用いた2つの新しいアプローチを提案する。 頑健なアプローチは、単純アプローチよりも真のグループ公平性を保証することが示される。
  論文  参考訳（メタデータ） (2020-02-21T14:58:37Z)

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。