論文の概要: An Aspect Performance-aware Hypergraph Neural Network for Review-based Recommendation

• arxiv url: http://arxiv.org/abs/2501.15429v1
• Date: Sun, 26 Jan 2025 07:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:53:43.108863
• Title: An Aspect Performance-aware Hypergraph Neural Network for Review-based Recommendation
• Title（参考訳）: レビューベースレコメンデーションのための性能認識型ハイパーグラフニューラルネットワーク
• Authors: Junrui Liu, Tong Li, Di Wu, Zifang Tang, Yuan Fang, Zhen Yang,
• Abstract要約: 本稿では,アスペクト性能認識型ハイパーグラフニューラルネットワーク(APH)を提案する。 APHは、ユーザレビューの矛盾する感情極性からアイテムのパフォーマンスを学習する。 6つの実世界のデータセットの実験では、APHがMSE、Precision@5、Recall@5を平均2.30%、4.89%、最高のベースラインよりも1.60%改善していることが示されている。
• 参考スコア（独自算出の注目度）: 13.327249917384144
• License:
• Abstract: Online reviews allow consumers to provide detailed feedback on various aspects of items. Existing methods utilize these aspects to model users' fine-grained preferences for specific item features through graph neural networks. We argue that the performance of items on different aspects is important for making precise recommendations, which has not been taken into account by existing approaches, due to lack of data. In this paper, we propose an aspect performance-aware hypergraph neural network (APH) for the review-based recommendation, which learns the performance of items from the conflicting sentiment polarity of user reviews. Specifically, APH comprehensively models the relationships among users, items, aspects, and sentiment polarity by systematically constructing an aspect hypergraph based on user reviews. In addition, APH aggregates aspects representing users and items by employing an aspect performance-aware hypergraph aggregation method. It aggregates the sentiment polarities from multiple users by jointly considering user preferences and the semantics of their sentiments, determining the weights of sentiment polarities to infer the performance of items on various aspects. Such performances are then used as weights to aggregate neighboring aspects. Experiments on six real-world datasets demonstrate that APH improves MSE, Precision@5, and Recall@5 by an average of 2.30%, 4.89%, and 1.60% over the best baseline. The source code and data are available at https://github.com/dianziliu/APH.
• Abstract（参考訳）: オンラインレビューでは、消費者はアイテムのさまざまな側面について詳細なフィードバックを提供することができる。 既存の手法は、これらの側面を利用して、グラフニューラルネットワークを介して特定の項目の特徴に対するきめ細かい好みをモデル化する。 データ不足のため既存のアプローチでは考慮されていないが,さまざまな側面における項目のパフォーマンスは,正確なレコメンデーションを行う上で重要である,と我々は主張する。 本稿では,ユーザレビューの矛盾する感情極性から項目のパフォーマンスを学習する,アスペクトパフォーマンス対応型ハイパーグラフニューラルネットワーク(APH)を提案する。 具体的には、ユーザレビューに基づいてアスペクトハイパーグラフを体系的に構築することにより、ユーザ、アイテム、アスペクト、感情極性間の関係を包括的にモデル化する。 さらに、APHは、アスペクトパフォーマンスを意識したハイパーグラフ集計手法を用いて、ユーザとアイテムを表すアスペクトを集約する。 ユーザの好みや感情の意味を共同で考慮し、感情極性の重みを決定し、さまざまな側面でアイテムのパフォーマンスを推定することで、複数のユーザの感情極性を集約する。 このようなパフォーマンスは、近隣のアスペクトを集約するウェイトとして使用される。 6つの実世界のデータセットの実験では、APHがMSE、Precision@5、Recall@5を平均2.30%、4.89%、最高のベースラインよりも1.60%改善していることが示されている。 ソースコードとデータはhttps://github.com/dianziliu/APH.comで公開されている。

関連論文リスト

• Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation [26.214148426964794]
  ユーザの感情に焦点をあてた新しいデータセットと評価手法を導入する。 購入後のレビューから,ユーザの肯定的,否定的な意見を明示的に抽出し,データセットを構築する。 生成した説明文がユーザの感情に合致するかどうかに基づいてシステムを評価することを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:15:00Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation [29.674627482358623]
  我々は、ハイパーグラフ強化デュアル畳み込みニューラルネットワーク(HED)と呼ばれるバンドルレコメンデーションのための統一モデルを開発する。 まず、ユーザ、アイテム、バンドル間のインタラクションのダイナミクスを捉えるための完全なハイパーグラフを構築し、続いてU-Bインタラクション情報を組み込んで、ユーザから派生した情報表現を強化し、組込みベクトルをバンドルする。
  論文  参考訳（メタデータ） (2023-12-18T08:35:10Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Topology-aware Debiased Self-supervised Graph Learning for Recommendation [6.893289671937124]
  本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。 TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-10-24T14:16:19Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Hybrid Deep Embedding for Recommendations with Dynamic Aspect-Level Explanations [60.78696727039764]
  アスペクトベースの説明可能なレコメンデーションのためのHybrid Deep Embeddingと呼ばれる新しいモデルを提案する。 HDEの主な考え方は、評価予測のためにユーザとアイテムの動的埋め込みを学ぶことである。 ユーザ/イテムのアスペクトの好みや品質が自動的に学習されるため、HDEは、ユーザや項目のレビューで言及されていないアスペクトの影響を捉えることができる。
  論文  参考訳（メタデータ） (2020-01-18T13:16:32Z)

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。