論文の概要: Intention Knowledge Graph Construction for User Intention Relation Modeling

• arxiv url: http://arxiv.org/abs/2412.11500v1
• Date: Mon, 16 Dec 2024 07:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:39.045512
• Title: Intention Knowledge Graph Construction for User Intention Relation Modeling
• Title（参考訳）: ユーザ意図関係モデリングのための意図知識グラフ構築
• Authors: Jiaxin Bai, Zhaobo Wang, Junfei Cheng, Dan Yu, Zerui Huang, Weiqi Wang, Xin Liu, Chen Luo, Qi He, Yanming Zhu, Bo Li, Yangqiu Song,
• Abstract要約: 本稿では,意図的知識グラフを自動生成するフレームワークを提案する。 3億3100万のエッジを持つ意図グラフを構築し、高い妥当性と受容性を示す。 本モデルは,新規セッションの意図を効果的に予測し,製品レコメンデーションを強化する。
• 参考スコア（独自算出の注目度）: 44.36696934604431
• License:
• Abstract: Understanding user intentions is challenging for online platforms. Recent work on intention knowledge graphs addresses this but often lacks focus on connecting intentions, which is crucial for modeling user behavior and predicting future actions. This paper introduces a framework to automatically generate an intention knowledge graph, capturing connections between user intentions. Using the Amazon m2 dataset, we construct an intention graph with 351 million edges, demonstrating high plausibility and acceptance. Our model effectively predicts new session intentions and enhances product recommendations, outperforming previous state-of-the-art methods and showcasing the approach's practical utility.
• Abstract（参考訳）: オンラインプラットフォームでは、ユーザの意図を理解することが難しい。 意図的知識グラフに関する最近の研究はこの問題に対処しているが,ユーザ行動のモデル化や今後の行動予測に不可欠である意図の結合に焦点が当てられていないことが多い。 本稿では,ユーザ意図間の関係を抽出し,意図的知識グラフを自動的に生成するフレームワークを提案する。 Amazon m2データセットを使用して、3億3100万のエッジを持つ意図グラフを構築し、高い妥当性と受け入れを示す。 提案モデルは,新規セッションの意図を効果的に予測し,製品レコメンデーションを強化し,従来の最先端手法を上回り,アプローチの実用性を示す。

関連論文リスト

• Graph Contrastive Learning on Multi-label Classification for Recommendations [34.785207813971134]
  マルチラベル分類のためのグラフコントラスト学習モデル(MCGCL)を提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。 マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2025-01-13T00:29:29Z)
• A Personalized Recommender System Based-on Knowledge Graph Embeddings [0.0]
  近年、知識グラフを情報モデリングの形式として利用することへの関心が高まっており、リコメンダシステムへの採用が増加している。 関連するユーザと関連するアイテムを知識グラフに組み込むことで、これらのシステムはそれらの間の暗黙のつながりをよりよく捉え、より正確なレコメンデーションを提供することができる。
  論文  参考訳（メタデータ） (2023-07-20T08:14:06Z)
• A Concept Knowledge Graph for User Next Intent Prediction at Alipay [12.271076334693511]
  本稿では,概念知識グラフを用いたユーザ次の意図予測技術について述べる。 本稿では、知識グラフから専門家ルールを統合し、オンラインユーザの次の意図を推測するTransformerベースのモデルを提案する。 実験の結果,提案システムは,説明可能性を維持しつつ,下流タスクの性能を効果的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-01-02T02:10:18Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• 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)
• In the Eye of the Beholder: Robust Prediction with Causal User Modeling [27.294341513692164]
  データ分布の変化に頑健な関係予測のための学習フレームワークを提案する。 私たちのキーとなる観察は、ユーザがどのように環境を慎重に知覚するかを考慮し、堅牢性を得ることができることです。
  論文  参考訳（メタデータ） (2022-06-01T11:33:57Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。