論文の概要: Multi-Graph Co-Training for Capturing User Intent in Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2412.11105v1
• Date: Sun, 15 Dec 2024 08:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:58:57.600550
• Title: Multi-Graph Co-Training for Capturing User Intent in Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションにおけるユーザインテントのキャプチャのためのマルチグラフコトレーニング
• Authors: Zhe Yang, Tiantian Liang,
• Abstract要約: セッションベースのレコメンデーションは、匿名ユーザセッションのシーケンスに基づいて、ユーザが次に対話するアイテムを予測することに焦点を当てる。 既存の手法のほとんどは、利用可能な豊富な補助情報を見渡すことで、ユーザの現在のインタラクションに大きく依存している。 我々は,現在のセッショングラフだけでなく,類似セッショングラフやグローバルアイテム関係グラフも活用する,新しいモデルであるMulti-Graph Co-Training Model (MGCOT)を提案する。
• 参考スコア（独自算出の注目度）: 3.105656247358225
• License:
• Abstract: Session-based recommendation focuses on predicting the next item a user will interact with based on sequences of anonymous user sessions. A significant challenge in this field is data sparsity due to the typically short-term interactions. Most existing methods rely heavily on users' current interactions, overlooking the wealth of auxiliary information available. To address this, we propose a novel model, the Multi-Graph Co-Training model (MGCOT), which leverages not only the current session graph but also similar session graphs and a global item relation graph. This approach allows for a more comprehensive exploration of intrinsic relationships and better captures user intent from multiple views, enabling session representations to complement each other. Additionally, MGCOT employs multi-head attention mechanisms to effectively capture relevant session intent and uses contrastive learning to form accurate and robust session representations. Extensive experiments on three datasets demonstrate that MGCOT significantly enhances the performance of session-based recommendations, particularly on the Diginetica dataset, achieving improvements up to 2.00% in P@20 and 10.70% in MRR@20. Resources have been made publicly available in our GitHub repository https://github.com/liang-tian-tian/MGCOT.
• Abstract（参考訳）: セッションベースのレコメンデーションは、匿名ユーザセッションのシーケンスに基づいて、ユーザが次に対話するアイテムを予測することに焦点を当てる。 この分野での重要な課題は、通常、短期的な相互作用のため、データの分散である。 既存の手法の多くは、利用可能な豊富な補助情報を見渡すことで、ユーザの現在のインタラクションに大きく依存している。 そこで本研究では,現在のセッショングラフだけでなく,類似セッショングラフやグローバル項目関係グラフを利用した新しいモデルMGCOTを提案する。 このアプローチにより、本質的な関係をより包括的に探求し、複数のビューからユーザ意図を捉えることができ、セッション表現が相互に補完できる。 さらに、MGCOTは、関連するセッションインテントを効果的にキャプチャするためのマルチヘッドアテンション機構を採用し、コントラスト学習を使用して、正確で堅牢なセッション表現を形成する。 3つのデータセットに対する大規模な実験により、MGCOTはセッションベースのレコメンデーション、特にDigineticaデータセットのパフォーマンスを大幅に向上し、P@20では2.00%、MRR@20では10.70%の改善を実現している。 リソースはGitHubリポジトリhttps://github.com/liang-tian-tian/MGCOTで公開されています。

関連論文リスト

• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)
• Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints [0.0]
  セッションベースのレコメンデーションは、アイテムのシーケンスで構成されるセッションを解釈することでアイテムを推奨しようとする。 本稿では,不均一な注意ネットワークを通じてセッションによって生成されるグラフの様々な関係について考察する。 トレーニングプロセスのさらなる最適化を通じて、パフォーマンスの向上を目指している。
  論文  参考訳（メタデータ） (2022-05-23T14:35:26Z)
• G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
  セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。 G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。 2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
  論文  参考訳（メタデータ） (2022-03-12T15:44:03Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。