論文の概要: Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2410.10296v1
• Date: Mon, 14 Oct 2024 08:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:14.645471
• Title: Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションのためのアライメントと一様制約による分散グラフネットワークの強化
• Authors: Xinping Zhao, Chaochao Chen, Jiajie Su, Yizhao Zhang, Baotian Hu,
• Abstract要約: セッションベースの勧告(SBR)は、匿名セッションに基づいてユーザの次のアクションを予測する。 ほとんどのSBRモデルは、アイテム表現を学ぶために短いセッションでコンテキスト遷移に依存する。 本稿では,AttrGAUというモデルに依存しないフレームワークを提案し,既存の属性に依存しないモデルにアイテム属性のモデリングの優位性をもたらす。
• 参考スコア（独自算出の注目度）: 18.318271141864297
• License:
• Abstract: Session-based Recommendation (SBR), seeking to predict a user's next action based on an anonymous session, has drawn increasing attention for its practicability. Most SBR models only rely on the contextual transitions within a short session to learn item representations while neglecting additional valuable knowledge. As such, their model capacity is largely limited by the data sparsity issue caused by short sessions. A few studies have exploited the Modeling of Item Attributes (MIA) to enrich item representations. However, they usually involve specific model designs that can hardly transfer to existing attribute-agnostic SBR models and thus lack universality. In this paper, we propose a model-agnostic framework, named AttrGAU (Attributed Graph Networks with Alignment and Uniformity Constraints), to bring the MIA's superiority into existing attribute-agnostic models, to improve their accuracy and robustness for recommendation. Specifically, we first build a bipartite attributed graph and design an attribute-aware graph convolution to exploit the rich attribute semantics hidden in the heterogeneous item-attribute relationship. We then decouple existing attribute-agnostic SBR models into the graph neural network and attention readout sub-modules to satisfy the non-intrusive requirement. Lastly, we design two representation constraints, i.e., alignment and uniformity, to optimize distribution discrepancy in representation between the attribute semantics and collaborative semantics. Extensive experiments on three public benchmark datasets demonstrate that the proposed AttrGAU framework can significantly enhance backbone models' recommendation performance and robustness against data sparsity and data noise issues. Our implementation codes will be available at https://github.com/ItsukiFujii/AttrGAU.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、匿名セッションに基づいてユーザの次のアクションを予測することを目的としており、その実行可能性に注目が集まっている。 ほとんどのSBRモデルは、追加の貴重な知識を無視しながらアイテム表現を学ぶために、短いセッション内での文脈遷移にのみ依存する。 そのため、彼らのモデルキャパシティは、短いセッションによって引き起こされるデータ空間の問題によって大きく制限されている。 項目属性のモデリング(MIA)を利用して項目表現を豊かにする研究がいくつかある。 しかしながら、それらは通常、既存の属性に依存しないSBRモデルへの転送がほとんどなく、従って普遍性に欠ける特定のモデル設計を含む。 本稿では,AttrGAU(Attributed Graph Networks with Alignment and Uniformity Constraints)というモデルに依存しないフレームワークを提案する。 具体的には、まず2部属性グラフを構築し、属性対応グラフ畳み込みを設計し、不均一なアイテム属性関係に隠されたリッチ属性セマンティクスを活用する。 次に、既存の属性に依存しないSBRモデルをグラフニューラルネットワークに分離し、非侵襲的要件を満たすために注目読出サブモジュールを配置する。 最後に,属性のセマンティクスと協調的セマンティクスの表現における分布差を最適化するために,アライメントと均一性の2つの表現制約を設計する。 3つの公開ベンチマークデータセットに対する大規模な実験により、提案されたAttrGAUフレームワークは、バックボーンモデルの推奨性能とデータスペーサ性やデータノイズ問題に対する堅牢性を大幅に向上させることができる。 実装コードはhttps://github.com/ItsukiFujii/AttrGAU.comで公開されます。

関連論文リスト

• Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
  補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-08-21T12:59:48Z)
• Hierarchical Visual Primitive Experts for Compositional Zero-Shot Learning [52.506434446439776]
  合成ゼロショット学習(CZSL)は、既知のプリミティブ(属性とオブジェクト)の事前知識で構成を認識することを目的としている。 このような問題に対処するために,コンポジショントランスフォーマー(CoT)と呼ばれるシンプルでスケーラブルなフレームワークを提案する。 提案手法は,MIT-States,C-GQA,VAW-CZSLなど,いくつかのベンチマークでSoTA性能を実現する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:21Z)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• 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)
• A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention [16.283718738518534]
  本稿では,知識グラフ(KG)から抽出した項目属性を副次情報として組み込んだ知識強化レコメンデーションモデルACAMを提案する。 ACAMは属性レベルのコアテンション機構で構築され、パフォーマンス向上を実現している。 2つの現実的なデータセットに対する実験により,属性レベルのコアテンションによるユーザ表現とアイテム表現が,最先端の深層モデルよりもACAMの方が優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-18T01:53:39Z)
• Attention improves concentration when learning node embeddings [1.2233362977312945]
  検索クエリテキストでラベル付けされたノードを考えると、製品を共有する関連クエリへのリンクを予測したい。 様々なディープニューラルネットワークを用いた実験では、注意機構を備えた単純なフィードフォワードネットワークが埋め込み学習に最適であることが示されている。 本稿では,クエリ生成モデルであるAttESTを提案する。このモデルでは,製品とクエリテキストの両方を,潜在空間に埋め込まれたベクトルとして見ることができる。
  論文  参考訳（メタデータ） (2020-06-11T21:21:12Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)
• SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
  本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。 本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
  論文  参考訳（メタデータ） (2020-05-02T15:15:50Z)

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。