論文の概要: Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2502.11335v1
• Date: Mon, 17 Feb 2025 01:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:08:16.050506
• Title: Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation
• Title（参考訳）: 正確なマルチビヘイビア勧告のためのカスケード行動グラフのパーソナライズされたランク付け
• Authors: Geonwoo Ko, Minseo Jeon, Jinhong Jung,
• Abstract要約: マルチビヘイビア・レコメンデーションは、視聴、カートの追加、購入などの多様な振る舞いを分析して、ユーザが購入できるアイテムを予測する。 既存の手法は、表現学習とグラフランキングの2つのカテゴリに分類される。 マルチビヘイビア・レコメンデーションのためのグラフランキング手法であるCascadingRankを提案する。
• 参考スコア（独自算出の注目度）: 4.130591018565202
• License:
• Abstract: Multi-behavior recommendation predicts items a user may purchase by analyzing diverse behaviors like viewing, adding to a cart, and purchasing. Existing methods fall into two categories: representation learning and graph ranking. Representation learning generates user and item embeddings to capture latent interaction patterns, leveraging multi-behavior properties for better generalization. However, these methods often suffer from over-smoothing and bias toward frequent interactions, limiting their expressiveness. Graph ranking methods, on the other hand, directly compute personalized ranking scores, capturing user preferences more effectively. Despite their potential, graph ranking approaches have been primarily explored in single-behavior settings and remain underutilized for multi-behavior recommendation. In this paper, we propose CascadingRank, a novel graph ranking method for multi-behavior recommendation. It models the natural sequence of user behaviors (e.g., viewing, adding to cart, and purchasing) through a cascading behavior graph. An iterative algorithm computes ranking scores, ensuring smoothness, query fitting, and cascading alignment. Experiments on three real-world datasets demonstrate that CascadingRank outperforms state-of-the-art methods, with up to 9.56% and 7.16% improvements in HR@10 and NDCG@10, respectively. Furthermore, we provide theoretical analysis highlighting its effectiveness, convergence, and scalability, showcasing the advantages of graph ranking in multi-behavior recommendation.
• Abstract（参考訳）: マルチビヘイビア・レコメンデーションは、視聴、カートの追加、購入などの多様な振る舞いを分析して、ユーザが購入できるアイテムを予測する。 既存の手法は、表現学習とグラフランキングの2つのカテゴリに分類される。 表現学習はユーザとアイテムの埋め込みを生成し、遅延相互作用パターンをキャプチャし、多行動特性を活用してより一般化する。 しかしながら、これらの手法はしばしば過剰な平滑化と頻繁な相互作用への偏見に悩まされ、表現性を制限する。 一方、グラフランキング手法は、パーソナライズされたランキングスコアを直接計算し、ユーザの好みをより効果的に捉える。 その可能性にもかかわらず、グラフランキングのアプローチは主にシングルビヘイビア設定で検討され、マルチビヘイビアレコメンデーションには未利用のままである。 本稿では,マルチビヘイビアレコメンデーションのためのグラフランキング手法であるCascadingRankを提案する。 これは、カスケード行動グラフを通じて、ユーザー行動(例えば、閲覧、カートの追加、購入)の自然なシーケンスをモデル化する。 反復アルゴリズムは、ランキングスコアを計算し、スムーズさ、クエリフィッティング、カスケードアライメントを保証する。 CascadingRankは3つの実世界のデータセットで、HR@10とNDCG@10で最大9.56%と7.16%の改善を達成している。 さらに、その有効性、収束性、拡張性を強調した理論的解析を行い、マルチビヘイビア・レコメンデーションにおけるグラフランキングの利点を示す。

関連論文リスト

• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-22T06:41:59Z)
• Alleviating Behavior Data Imbalance for Multi-Behavior Graph Collaborative Filtering [14.396131602165598]
  マルチビヘイビアグラフ協調フィルタリングのための振舞いデータ不均衡を緩和する簡易かつ効果的なモデルであるIGGCFを提案する。 IMGCFはマルチタスク学習フレームワークを使用して、マルチビヘイビアグラフ上の協調フィルタリングを行う。 広く使われている2つのマルチビヘイビアデータセットの実験は、IGGCFの有効性を実証している。
  論文  参考訳（メタデータ） (2023-11-12T08:46:07Z)
• Instant Representation Learning for Recommendation over Large Dynamic Graphs [29.41179019520622]
  動的多重多元グラフのための新しいグラフニューラルネットワークSUPAを提案する。 新しいエッジごとに、SUPAは影響のあるサブグラフをサンプリングし、2つの対話ノードの表現を更新し、その相互作用情報をサンプリングされたサブグラフに伝達する。 SuPAをオンラインでインクリメンタルにトレーニングするために、大規模な動的グラフのシングルパストレーニングのための効率的なワークフローであるInsLearnを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:36:10Z)
• 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)
• Boosting the Learning for Ranking Patterns [6.142272540492935]
  本稿では,多基準意思決定問題として,パターンランキング関数の学習問題を定式化する。 本手法は,対話型学習手法を用いて,異なる興味度尺度を1つの重み付き線形ランキング関数に集約する。 良く知られたデータセットを用いて行った実験は、我々のアプローチが実行時間を著しく短縮し、正確なパターンランキングを返すことを示している。
  論文  参考訳（メタデータ） (2022-03-05T10:22:44Z)
• 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)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• 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)
• Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
  本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。 エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。 提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-03-11T16:17:08Z)

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。