論文の概要: ContextGNN: Beyond Two-Tower Recommendation Systems
- arxiv url: http://arxiv.org/abs/2411.19513v1
- Date: Fri, 29 Nov 2024 07:11:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:21:00.874456
- Title: ContextGNN: Beyond Two-Tower Recommendation Systems
- Title(参考訳): ContextGNN: 2-towerレコメンデーションシステムを超えて
- Authors: Yiwen Yuan, Zecheng Zhang, Xinwei He, Akihiro Nitta, Weihua Hu, Dong Wang, Manan Shah, Shenyang Huang, Blaž Stojanovič, Alan Krumholz, Jan Eric Lenssen, Jure Leskovec, Matthias Fey,
- Abstract要約: 本稿では,リコメンデーションシステムにおけるリンク予測のためのコンテキストベースグラフニューラルネットワーク(ContextGNN)を提案する。
本手法は,ユーザのローカルサブグラフ内に位置する親しみやすい項目に対して,ペアワイズ表現手法を用いる。
最終的なネットワークは、ペアワイズとツーツーワーのレコメンデーションの両方を、アイテムの単一のランキングに融合する方法を予測する。
- 参考スコア(独自算出の注目度): 47.50792319918014
- License:
- Abstract: Recommendation systems predominantly utilize two-tower architectures, which evaluate user-item rankings through the inner product of their respective embeddings. However, one key limitation of two-tower models is that they learn a pair-agnostic representation of users and items. In contrast, pair-wise representations either scale poorly due to their quadratic complexity or are too restrictive on the candidate pairs to rank. To address these issues, we introduce Context-based Graph Neural Networks (ContextGNNs), a novel deep learning architecture for link prediction in recommendation systems. The method employs a pair-wise representation technique for familiar items situated within a user's local subgraph, while leveraging two-tower representations to facilitate the recommendation of exploratory items. A final network then predicts how to fuse both pair-wise and two-tower recommendations into a single ranking of items. We demonstrate that ContextGNN is able to adapt to different data characteristics and outperforms existing methods, both traditional and GNN-based, on a diverse set of practical recommendation tasks, improving performance by 20% on average.
- Abstract(参考訳): レコメンデーションシステムは、主に2towerアーキテクチャを使用し、各埋め込みの内積を通じてユーザイテムランキングを評価する。
しかし、2towerモデルの1つの重要な制限は、ユーザとアイテムのペアに依存しない表現を学ぶことである。
対照的に、ペアワイズ表現は2次的な複雑さのためにスケールが悪くなるか、候補ペアがランク付けするには制限的すぎるかのいずれかである。
これらの問題に対処するために、リコメンデーションシステムにおけるリンク予測のための新しいディープラーニングアーキテクチャであるContext-based Graph Neural Networks (ContextGNNs)を紹介する。
本手法では,探索項目の推薦を容易にするために2tower表現を活用しながら,ユーザのローカルサブグラフ内の親しみやすい項目に対してペアワイズ表現手法を用いる。
最終的なネットワークは、ペアワイズとツーツーワーのレコメンデーションの両方を、アイテムの単一のランキングに融合する方法を予測する。
我々は、ContextGNNが、さまざまなデータ特性に適応し、従来のGNNベースの既存の手法よりも、様々な実践的な推奨タスクにおいて、性能を平均20%向上させることができることを実証した。
関連論文リスト
- Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems [51.716704243764994]
我々のフレームワークはグラフニューラルネットワーク(GNN)ベースのシーケンシャルレコメンデータを別個のサブモジュールとして使用し、同時に最適化された統合埋め込み空間を共同で共有する。
3つの実世界のデータセットの実験により、提案手法はどちらのアプローチも単独で大幅に性能が向上することを示した。
論文 参考訳(メタデータ) (2024-12-05T15:59:05Z) - 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) - Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems [4.026354668375411]
本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
論文 参考訳(メタデータ) (2023-02-21T09:47:27Z) - IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。
ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。
我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
論文 参考訳(メタデータ) (2022-04-08T03:38:09Z) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳(メタデータ) (2021-12-08T15:14:26Z) - SiReN: Sign-Aware Recommendation Using Graph Neural Networks [6.739000442575012]
我々は,GNNモデルに基づく新しいサイン・アウェア・レコメンデータシステムSiReNを提案する。
SiReNは、最先端のNE支援レコメンデーションメソッドを一貫して上回っている。
論文 参考訳(メタデータ) (2021-08-19T15:07:06Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳(メタデータ) (2021-04-27T08:03:52Z) - Dual Metric Learning for Effective and Efficient Cross-Domain
Recommendations [85.6250759280292]
クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。
既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。
本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメイン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) (2021-04-17T09:18:59Z) - 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)
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。