論文の概要: Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction

• arxiv url: http://arxiv.org/abs/2409.07433v1
• Date: Wed, 11 Sep 2024 17:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:56:12.332734
• Title: Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction
• Title（参考訳）: Dot Productは、アイテムレコメンデーションとリンク予測のギャップを埋める
• Authors: Daniele Malitesta, Alberto Carlo Maria Mancino, Pasquale Minervini, Tommaso Di Noia,
• Abstract要約: 本稿では,項目推薦問題をリンク予測問題の事例とみなすことができることを示す。 これらの予測精度は,10種類の最先端レコメンデーションモデルと競合することを示す。
• 参考スコア（独自算出の注目度）: 18.153652861826917
• License:
• Abstract: Item recommendation (the task of predicting if a user may interact with new items from the catalogue in a recommendation system) and link prediction (the task of identifying missing links in a knowledge graph) have long been regarded as distinct problems. In this work, we show that the item recommendation problem can be seen as an instance of the link prediction problem, where entities in the graph represent users and items, and the task consists of predicting missing instances of the relation type <<interactsWith>>. In a preliminary attempt to demonstrate the assumption, we decide to test three popular factorisation-based link prediction models on the item recommendation task, showing that their predictive accuracy is competitive with ten state-of-the-art recommendation models. The purpose is to show how the former may be seamlessly and effectively applied to the recommendation task without any specific modification to their architectures. Finally, while beginning to unveil the key reasons behind the recommendation performance of the selected link prediction models, we explore different settings for their hyper-parameter values, paving the way for future directions.
• Abstract（参考訳）: アイテムレコメンデーション(リコメンデーションシステムにおけるユーザがカタログから新しいアイテムと対話できるかどうかを予測するタスク)とリンク予測(ナレッジグラフにおけるリンクの欠落を識別するタスク)は、長い間、異なる問題と見なされてきた。 本研究では,グラフ内のエンティティがユーザやアイテムを表現しているリンク予測問題の事例として,項目推薦問題を見ることができることを示し,その課題は,関係型<interactsWith>>の欠落したインスタンスを予測することである。 この仮定を実証するための予備的な試みとして、項目推薦タスクにおいて3つの一般的な因数分解に基づくリンク予測モデルを検証し、それらの予測精度が10の最先端の推奨モデルと競合することを示す。 目的は、アーキテクチャに特定の変更を加えることなく、前者がいかにシームレスかつ効果的にレコメンデーションタスクに適用されるかを示すことである。 最後に、選択したリンク予測モデルの推奨性能の背景にある重要な理由を明らかにしながら、ハイパーパラメータ値の異なる設定を探索し、将来的な方向への道を開く。

関連論文リスト

• Modeling and Analyzing the Influence of Non-Item Pages on Sequential Next-Item Prediction [2.464194460689648]
  シーケンシャルレコメンデーションモデルに非イテムページを組み込む方法を示す。 我々は、一般的なシーケンシャルレコメンデータモデルを適用して、非itemページを統合する。 その結果,非イテムページは貴重な情報源であることがわかった。
  論文  参考訳（メタデータ） (2024-08-28T17:12:01Z)
• Personalized Federated Domain Adaptation for Item-to-Item Recommendation [11.65452674504235]
  アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。 グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。 我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
  論文  参考訳（メタデータ） (2023-06-05T19:06:18Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention [7.573586022424399]
  推奨設定では、ユーザのコンテキストとアイテム属性が、次に推奨するアイテムを決定する上で重要な役割を果たす。 本研究では,ユーザプロファイルの動的特性を,コンテキスト特徴やアイテム属性の観点から捉えることができるコンテキスト・属性対応レコメンデータモデルを提案する。 4つの実世界のレコメンデータシステムデータセットの実験では、提案モデルがアイテムレコメンデーションのタスクにおいて、すべての最先端モデルを著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-04-04T13:22:28Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Latent Unexpected Recommendations [89.2011481379093]
  ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
  論文  参考訳（メタデータ） (2020-07-27T02:39:30Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)

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。