論文の概要: Dynamic Knowledge Selector and Evaluator for recommendation with Knowledge Graph

• arxiv url: http://arxiv.org/abs/2502.15623v1
• Date: Fri, 21 Feb 2025 17:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:10:06.272135
• Title: Dynamic Knowledge Selector and Evaluator for recommendation with Knowledge Graph
• Title（参考訳）: 知識グラフを用いた推薦のための動的知識セレクタと評価器
• Authors: Feng Xia, Zhifei Hu,
• Abstract要約: 本稿では,知識グラフ内の情報を抽出するための協調信号によって導かれる動的知識選択評価手法を提案する。 具体的には,各地区のレコメンデーション課題に対する貢献度を評価するために,連鎖経路評価器を用いる。
• 参考スコア（独自算出の注目度）: 4.95829270467941
• License:
• Abstract: In recent years recommendation systems typically employ the edge information provided by knowledge graphs combined with the advantages of high-order connectivity of graph networks in the recommendation field. However, this method is limited by the sparsity of labels, cannot learn the graph structure well, and a large number of noisy entities in the knowledge graph will affect the accuracy of the recommendation results. In order to alleviate the above problems, we propose a dynamic knowledge-selecting and evaluating method guided by collaborative signals to distill information in the knowledge graph. Specifically, we use a Chain Route Evaluator to evaluate the contributions of different neighborhoods for the recommendation task and employ a Knowledge Selector strategy to filter the less informative knowledge before evaluating. We conduct baseline model comparison and experimental ablation evaluations on three public datasets. The experiments demonstrate that our proposed model outperforms current state-of-the-art baseline models, and each modules effectiveness in our model is demonstrated through ablation experiments.
• Abstract（参考訳）: 近年のレコメンデーションシステムは、一般的に知識グラフが提供するエッジ情報と、レコメンデーション分野におけるグラフネットワークの高次接続の利点を組み合わせている。 しかし,この手法はラベルの幅によって制限されており,グラフ構造を十分に学習することができず,知識グラフ内のノイズの多いエンティティが推薦結果の精度に影響を与える。 上記の問題を緩和するために,協調的な信号によって導かれる動的知識選択・評価手法を提案し,知識グラフの情報を抽出する。 具体的には,各地区の推薦課題に対する貢献度を評価するために連鎖経路評価器を用い,知識セレクタ戦略を用いて,評価前の少ない知識をフィルタリングする。 3つの公開データセットのベースラインモデル比較と実験的アブレーション評価を行う。 実験の結果,提案モデルは現状のベースラインモデルよりも優れており,各モジュールの有効性はアブレーション実験によって実証されている。

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)
• An Efficient Recommendation Model Based on Knowledge Graph Attention-Assisted Network (KGATAX) [0.0]
  本研究では,新しい推薦モデルである知識グラフ注意支援ネットワーク(KGAT-AX)を提案する。 まず、知識グラフをレコメンデーションモデルに組み込み、高次接続性を探るための注意機構を導入する。 我々は、ホログラム埋め込みを通じてエンティティに補助情報を統合し、各エンティティの隣り合うエンティティの情報を、それらの推論関係を学習することによって集約する。
  論文  参考訳（メタデータ） (2024-09-05T16:42:50Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• 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)
• Ripple Knowledge Graph Convolutional Networks For Recommendation Systems [10.472910821647703]
  本稿では,各ユーザの好みを動的に分析し,適切な項目を推薦する,RKGCNというエンド・ツー・エンドのディープラーニングモデルを提案する。 アイテム側とユーザ側の知識グラフを組み合わせて表現を強化し、知識グラフにおける豊富な情報の利用を最大化する。
  論文  参考訳（メタデータ） (2023-05-02T01:35:57Z)
• 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)
• Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
  本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。 いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
  論文  参考訳（メタデータ） (2021-09-20T14:42:39Z)
• Rating and aspect-based opinion graph embeddings for explainable recommendations [69.9674326582747]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpが6つのドメインで生成したグラフに対して、最先端のグラフ埋め込み技術を適用し、評価し、ベースラインレコメンデータを上回っます。
  論文  参考訳（メタデータ） (2021-07-07T14:07:07Z)
• Graphing else matters: exploiting aspect opinions and ratings in explainable graph-based recommendations [66.83527496838937]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。 提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
  論文  参考訳（メタデータ） (2021-07-07T13:57:28Z)
• 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)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。