論文の概要: HARec: Hyperbolic Graph-LLM Alignment for Exploration and Exploitation in Recommender Systems
- arxiv url: http://arxiv.org/abs/2411.13865v1
- Date: Thu, 21 Nov 2024 06:01:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:20:54.003673
- Title: HARec: Hyperbolic Graph-LLM Alignment for Exploration and Exploitation in Recommender Systems
- Title(参考訳): HARec: Recommenderシステムにおける探索と爆発のためのハイパーボリックグラフ-LLMアライメント
- Authors: Qiyao Ma, Menglin Yang, Mingxuan Ju, Tong Zhao, Neil Shah, Rex Ying,
- Abstract要約: 本稿では,ハイパーボリック空間におけるテキスト記述とユーザ・イテム協調情報を整合させるハイパーボリック表現学習フレームワークであるHARecを提案する。
本フレームワークでは,(1) より優れた階層表現を実現する階層型グラフ-llmアライメント機構,(2) ユーザ調整可能な探索・探索のトレードオフを容易にする双曲型階層木構造を導入している。
- 参考スコア(独自算出の注目度): 41.43693025937088
- License:
- Abstract: Modern recommendation systems often create information cocoons, limiting users' exposure to diverse content. To enhance user experience, a crucial challenge is developing systems that can balance content exploration and exploitation, allowing users to adjust their recommendation preferences. Intuitively, this balance can be achieved through a tree-structured representation, where depth search facilitates exploitation and breadth search enables exploration. However, current works face two challenges to achieve this target: (1) Euclidean methods fail to fully capture hierarchical structures and lack flexibility in balancing exploration-exploitation, while (2) hyperbolic approaches, despite better hierarchical modeling, suffer from insufficient semantic alignment due to their reliance on Euclidean text encoders. To address these challenges, we propose HARec, a hyperbolic representation learning framework that jointly aligns user-item collaborative information with textual descriptions in hyperbolic space. Our framework introduces two key technique novelty: (1) a hierarchical-aware graph-llm alignment mechanism that enables better hierarchical representation, and (2) a hyperbolic hierarchical tree structure that facilitates user-adjustable exploration-exploitation trade-offs. Extensive experiments demonstrate that HARec consistently outperforms both Euclidean and hyperbolic baselines, achieving up to 5.49% improvement in utility metrics and 11.39% increase in diversity metrics.
- Abstract(参考訳): 現代のレコメンデーションシステムは、しばしば情報のココーンを生成し、ユーザの多様なコンテンツへの露出を制限する。
ユーザエクスペリエンスを向上させるために、コンテンツ探索とエクスプロイトのバランスをとるシステムを開発することが重要な課題である。
直感的には、このバランスは木構造表現によって達成され、深度探索は利用を促進し、幅探索は探索を可能にする。
しかし,本研究は,(1)ユークリッドの手法が階層構造を完全に捉えることができず,探索・探索のバランスの柔軟性が欠如していること,(2)階層的モデリングが優れているにもかかわらず,ユークリッドのテキストエンコーダに依存しているため,意味的アライメントが不十分なこと,の2つの課題に直面している。
これらの課題に対処するために,HARecというハイパーボリックな表現学習フレームワークを提案する。
本フレームワークでは,(1) より優れた階層表現を実現する階層型グラフ-llmアライメント機構,(2) ユーザ調整可能な探索・探索のトレードオフを容易にする双曲型階層木構造を導入している。
大規模な実験では、HARecはユークリッドベースラインと双曲ベースラインの両方を一貫して上回り、ユーティリティメトリクスが5.49%、多様性メトリクスが11.39%向上している。
関連論文リスト
- TrustRAG: An Information Assistant with Retrieval Augmented Generation [73.84864898280719]
TrustRAGは、インデックス付け、検索、生成という3つの視点から、acRAGを強化する新しいフレームワークである。
我々はTrustRAGフレームワークをオープンソース化し、抜粋ベースの質問応答タスク用に設計されたデモスタジオを提供する。
論文 参考訳(メタデータ) (2025-02-19T13:45:27Z) - Deep Sparse Latent Feature Models for Knowledge Graph Completion [24.342670268545085]
本稿では,知識グラフのためのスパース潜在特徴モデルの新たなフレームワークを提案する。
我々のアプローチは、欠落した三重項を効果的に完成するだけでなく、潜伏構造の明確な解釈可能性も提供する。
提案手法は,潜在コミュニティを明らかにし,解釈可能な表現を生成することにより,性能を著しく向上させる。
論文 参考訳(メタデータ) (2024-11-24T03:17:37Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳(メタデータ) (2024-08-07T16:35:10Z) - CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs [34.83895369861899]
本稿では,知識グラフに対する説明可能なレコメンデーションのためのカテゴリ認識型二エージェント強化学習モデルを提案する。
本モデルは,(1)近隣のエンティティやカテゴリからコンテキスト対応のアイテム表現を共同でキャプチャするカテゴリ対応グラフニューラルネットワークと,(2)2つのエージェントが効率的に長い経路をたどって適切な項目を探索するデュアルエージェントRLフレームワークの2つのコンポーネントから構成される。
論文 参考訳(メタデータ) (2024-08-06T13:07:08Z) - Heterogeneous Hypergraph Embedding for Recommendation Systems [45.49449132970778]
知識強化ヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)について紹介する。
KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。
入力グラフからの信号を、クロスビューで自己教師付き学習とアテンションメカニズムで融合する。
論文 参考訳(メタデータ) (2024-07-04T06:09:11Z) - Retrieval-Oriented Knowledge for Click-Through Rate Prediction [29.55757862617378]
クリックスルー率(CTR)予測は、パーソナライズされたオンラインサービスにとって不可欠である。
underlineretrieval-underlineoriented underlineknowledge(bfname)フレームワークは、実際の検索プロセスをバイパスする。
nameは、検索および集約された表現を保存および模倣する知識ベースを特徴とする。
論文 参考訳(メタデータ) (2024-04-28T20:21:03Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳(メタデータ) (2024-01-28T08:56:49Z) - Bidirectional Trained Tree-Structured Decoder for Handwritten
Mathematical Expression Recognition [51.66383337087724]
Handwriting Mathematical Expression Recognition (HMER) タスクは、OCRの分野における重要な分岐である。
近年の研究では、双方向コンテキスト情報の導入により、HMERモデルの性能が大幅に向上することが示されている。
本稿では,MF-SLT と双方向非同期トレーニング (BAT) 構造を提案する。
論文 参考訳(メタデータ) (2023-12-31T09:24:21Z) - Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball [33.90069123451581]
本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。
双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。
提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2~16%,既存モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-01-13T03:16:50Z) - 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。