論文の概要: TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters

• arxiv url: http://arxiv.org/abs/2411.15146v1
• Date: Wed, 06 Nov 2024 11:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-01 05:39:24.747140
• Title: TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters
• Title（参考訳）: TIMBRE:プロのリクルーターのための不均質なグラフの効率的な求人勧告
• Authors: Eric Behar, Julien Romero, Amel Bouzeghoub, Katarzyna Wegrzyn-Wolska,
• Abstract要約: ジョブレコメンデーションは、レコメンデーションシステムでよく知られた多くの課題を集めます。 コールドスタートの問題に悩まされ、ユーザ(候補者)とアイテム(仕事)は非常に寿命が限られている。 本稿では、ジョブレコメンデーションのための時間グラフに基づく手法であるTIMBREを提案する。
• 参考スコア（独自算出の注目度）: 1.4999444543328293
• License:
• Abstract: Job recommendation gathers many challenges well-known in recommender systems. First, it suffers from the cold start problem, with the user (the candidate) and the item (the job) having a very limited lifespan. It makes the learning of good user and item representations hard. Second, the temporal aspect is crucial: We cannot recommend an item in the future or too much in the past. Therefore, using solely collaborative filtering barely works. Finally, it is essential to integrate information about the users and the items, as we cannot rely only on previous interactions. This paper proposes a temporal graph-based method for job recommendation: TIMBRE (Temporal Integrated Model for Better REcommendations). TIMBRE integrates user and item information into a heterogeneous graph. This graph is adapted to allow efficient temporal recommendation and evaluation, which is later done using a graph neural network. Finally, we evaluate our approach with recommender system metrics, rarely computed on graph-based recommender systems.
• Abstract（参考訳）: ジョブレコメンデーションは、レコメンデーションシステムでよく知られた多くの課題を集めます。 まず、ユーザ(候補者)とアイテム(仕事)の寿命が非常に限られており、コールドスタートの問題に悩まされる。 優れたユーザとアイテム表現の学習を困難にします。 第2に,時間的な側面が不可欠です – 将来や過去の項目を推奨することはできません。 したがって、単独の協調フィルタリングは、ほとんど機能しない。 最後に、ユーザとアイテムに関する情報を統合することが不可欠である。 本稿では、ジョブレコメンデーションのための時間グラフベースの手法であるTIMBRE(Temporal Integrated Model for Better Recommendations)を提案する。 TIMBREは、ユーザ情報とアイテム情報を異種グラフに統合する。 このグラフは、効率的な時間的レコメンデーションと評価を可能にするように適応され、後にグラフニューラルネットワークを使用して実行される。 最後に、グラフベースのレコメンデータシステムではめったに計算されないレコメンデータシステムメトリクスを用いて、我々のアプローチを評価する。

関連論文リスト

• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  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。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
  知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
  論文  参考訳（メタデータ） (2024-08-02T15:38:55Z)
• Graph Reasoning for Explainable Cold Start Recommendation [1.8434042562191815]
  新しいユーザーやアイテムがインタラクション履歴を持たないコールドスタート問題は、レコメンデーションシステムにおいて依然として重要な課題である。 コールドスタートレコメンデーションにグラフ推論手法を適用するためのフレームワークであるGRECSを提案する。 実験の結果, GRECSはコールドスタート問題を緩和し, 説明可能ながら, 競争ベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-11T16:21:57Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
  グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。 本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T11:49:33Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
  本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。 いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
  論文  参考訳（メタデータ） (2021-09-20T14:42:39Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• 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)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。