論文の概要: Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation

• arxiv url: http://arxiv.org/abs/2410.07654v1
• Date: Thu, 10 Oct 2024 06:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:33:08.053982
• Title: Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
• Title（参考訳）: Firzen: 勧告のための凍結不均一グラフと均一グラフを具備した厳密なコールドスタートアイテム
• Authors: Hulingxiao He, Xiangteng He, Yuxin Peng, Zifei Shan, Xin Su,
• Abstract要約: 厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
• 参考スコア（独自算出の注目度）: 34.414081170244955
• License:
• Abstract: Recommendation models utilizing unique identities (IDs) to represent distinct users and items have dominated the recommender systems literature for over a decade. Since multi-modal content of items (e.g., texts and images) and knowledge graphs (KGs) may reflect the interaction-related users' preferences and items' characteristics, they have been utilized as useful side information to further improve the recommendation quality. However, the success of such methods often limits to either warm-start or strict cold-start item recommendation in which some items neither appear in the training data nor have any interactions in the test stage: (1) Some fail to learn the embedding of a strict cold-start item since side information is only utilized to enhance the warm-start ID representations; (2) The others deteriorate the performance of warm-start recommendation since unrelated multi-modal content or entities in KGs may blur the final representations. In this paper, we propose a unified framework incorporating multi-modal content of items and KGs to effectively solve both strict cold-start and warm-start recommendation termed Firzen, which extracts the user-item collaborative information over frozen heterogeneous graph (collaborative knowledge graph), and exploits the item-item semantic structures and user-user behavioral association over frozen homogeneous graphs (item-item relation graph and user-user co-occurrence graph). Furthermore, we build four unified strict cold-start evaluation benchmarks based on publicly available Amazon datasets and a real-world industrial dataset from Weixin Channels via rearranging the interaction data and constructing KGs. Extensive empirical results demonstrate that our model yields significant improvements for strict cold-start recommendation and outperforms or matches the state-of-the-art performance in the warm-start scenario.
• Abstract（参考訳）: ユニークなID(ID)を利用した推薦モデルは,10年以上にわたって推奨システム文献を支配してきた。 項目(例えば、テキストや画像)と知識グラフ(KG)のマルチモーダルコンテンツは、インタラクション関連のユーザの好みや特徴を反映する可能性があるため、推奨品質をさらに向上するために有用な側情報として利用されてきた。 しかし, そうした手法の成功は, トレーニングデータに現れない項目やテスト段階での相互作用がない項目が, 温かい開始項目や厳密なコールドスタート項目の推薦に制限されることがしばしばある。(1) 側情報が温かい開始ID表現の強化にのみ利用されるため, 厳密なコールドスタート項目の埋め込みを学習できないもの, (2) 関連のないマルチモーダルコンテンツやKG内のエンティティが最終表現を曖昧にする可能性があるため, 温かい開始項目の推薦性能は低下する。 本稿では,凍った異質グラフ(協調知識グラフ)上でユーザとユーザの協調情報を抽出し,凍った同質グラフ(item-item関係グラフとユーザ-ユーザ共起グラフ)上での項目間セマンティック構造とユーザとユーザの行動関連性を利用するFirzenという,厳密なコールトスタートとウォームスタートの両方を効果的に解決するための,アイテムとKGのマルチモーダルコンテンツを組み合わせた統合フレームワークを提案する。 さらに、Wixin Channelsから公開されているAmazonデータセットと、インタラクションデータを再構成してKGを構築することで、現実の産業データセットに基づいて、厳密なコールドスタート評価ベンチマークを4つ構築する。 実験結果から,本モデルでは厳密な冷間開始勧告の精度向上と,暖間開始シナリオにおける最先端性能の向上,あるいは性能向上を実証した。

関連論文リスト

• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Graph Neural Patching for Cold-Start Recommendations [16.08395433358279]
  コールドスタートレコメンデーション(GNP)のためのグラフニューラルパッチについて紹介する。 GNPは2つの機能を持つカスタマイズされたGNNフレームワークである。GWarmerは、既存の温かいユーザ/イベントの協調シグナルをモデリングし、Patching Networksは、GWarmerのコールドスタートレコメンデーションのパフォーマンスをシミュレートし、拡張する。 3つのベンチマークデータセットに対する大規模な実験は、温かみと寒さの両方のユーザ/イテムを推奨するGNPの優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-18T07:44:12Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• GPatch: Patching Graph Neural Networks for Cold-Start Recommendations [20.326139541161194]
  コールドスタートはレコメンデータシステムにおいて不可欠で永続的な問題です。 最先端のソリューションは、コールドスタートと既存のユーザ/イテムの両方のためのハイブリッドモデルのトレーニングに依存しています。 本稿では,2つの別個のコンポーネントを含むGNNベースのフレームワーク(GPatch)を提案する。
  論文  参考訳（メタデータ） (2022-09-25T13:16:39Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)

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。