論文の概要: Multiview graph dual-attention deep learning and contrastive learning for multi-criteria recommender systems

• arxiv url: http://arxiv.org/abs/2502.19271v1
• Date: Wed, 26 Feb 2025 16:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 15:00:01.905358
• Title: Multiview graph dual-attention deep learning and contrastive learning for multi-criteria recommender systems
• Title（参考訳）: 多基準推薦システムのためのマルチビューグラフ二重注意深層学習とコントラスト学習
• Authors: Saman Forouzandeh, Pavel N. Krivitsky, Rohitash Chandra,
• Abstract要約: 本稿では,各エッジがユーザによる項目の基準値の1つを表すマルチエッジ二部グラフをベースとした,マルチキュートリリア・レコメンダシステムのための新しい表現を提案する。 我々は、各ビューとグラフ全体の正と負のサンプルを区別するために、局所的および大域的コントラスト学習を採用する。 提案手法を実世界の2つのデータセット上で評価し,項目評価予測に基づいて評価を行った。
• 参考スコア（独自算出の注目度）: 0.8575004906002217
• License:
• Abstract: Recommender systems leveraging deep learning models have been crucial for assisting users in selecting items aligned with their preferences and interests. However, a significant challenge persists in single-criteria recommender systems, which often overlook the diverse attributes of items that have been addressed by Multi-Criteria Recommender Systems (MCRS). Shared embedding vector for multi-criteria item ratings but have struggled to capture the nuanced relationships between users and items based on specific criteria. In this study, we present a novel representation for Multi-Criteria Recommender Systems (MCRS) based on a multi-edge bipartite graph, where each edge represents one criterion rating of items by users, and Multiview Dual Graph Attention Networks (MDGAT). Employing MDGAT is beneficial and important for adequately considering all relations between users and items, given the presence of both local (criterion-based) and global (multi-criteria) relations. Additionally, we define anchor points in each view based on similarity and employ local and global contrastive learning to distinguish between positive and negative samples across each view and the entire graph. We evaluate our method on two real-world datasets and assess its performance based on item rating predictions. The results demonstrate that our method achieves higher accuracy compared to the baseline method for predicting item ratings on the same datasets. MDGAT effectively capture the local and global impact of neighbours and the similarity between nodes.
• Abstract（参考訳）: ディープラーニングモデルを活用したレコメンダシステムは,ユーザの好みや関心に合わせた項目の選択を支援する上で重要である。 しかし、Multi-Criteria Recommender Systems (MCRS)によって対処されたアイテムの多様な属性をしばしば見落としている単一基準レコメンダシステムでは、大きな課題が続いている。 複数基準項目評価のための共有埋め込みベクターは,特定の基準に基づいて,ユーザと項目間のニュアンスな関係を捉えるのに苦労している。 本研究では,マルチエッジ二部グラフをベースとしたMCRS(Multi-Criteria Recommender Systems)とMDGAT(Multiview Dual Graph Attention Networks)の新たな表現を提案する。 MDGATの活用は、地域(基準ベース)とグローバル(複数基準)の両方が存在することを考えると、ユーザとアイテムのすべての関係を適切に考慮する上で有益かつ重要である。 さらに、類似性に基づいて各ビューのアンカーポイントを定義し、各ビューとグラフ全体の正と負のサンプルを区別するために、局所的および大域的コントラスト学習を用いる。 提案手法を実世界の2つのデータセット上で評価し,項目評価予測に基づいて評価を行った。 その結果,提案手法は,同じデータセット上でアイテムのレーティングを予測するためのベースライン法と比較して精度が高いことがわかった。 MDGATは、近隣の局所的およびグローバル的影響とノード間の類似性を効果的に捉えている。

関連論文リスト

• Criteria-Aware Graph Filtering: Extremely Fast Yet Accurate Multi-Criteria Recommendation [20.740346109417143]
  マルチクリーター(MC)レコメンダシステムは、様々なeコマースドメインで急速に普及している。 しかし、トレーニングベースの協調フィルタリングを用いたMCレコメンデーションでは、単一基準よりも複数の評価を考慮する必要がある。 本稿では,MC推薦を効率的にかつ正確に行うために,基準対応グラフ上に構築したトレーニングフリーMCレコメンデーション手法であるCA-GFを提案する。
  論文  参考訳（メタデータ） (2025-02-13T08:01:38Z)
• ContextGNN: Beyond Two-Tower Recommendation Systems [47.50792319918014]
  本稿では,リコメンデーションシステムにおけるリンク予測のためのコンテキストベースグラフニューラルネットワーク(ContextGNN)を提案する。 本手法は,ユーザのローカルサブグラフ内に位置する親しみやすい項目に対して,ペアワイズ表現手法を用いる。 最終的なネットワークは、ペアワイズとツーツーワーのレコメンデーションの両方を、アイテムの単一のランキングに融合する方法を予測する。
  論文  参考訳（メタデータ） (2024-11-29T07:11:42Z)
• Multi-Channel Hypergraph Contrastive Learning for Matrix Completion [37.05130230844348]
  グラフニューラルネットワーク(GNN)は、行列補完において広く使われており、アイテムよりもユーザの好みを捉えている。 行列補完のためのマルチチャネルハイパーグラフコントラスト学習フレームワーク MHCL を提案する。 5つの公開データセットの実験により、提案手法が現在の最先端手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T22:59:36Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation [5.416421678129053]
  本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。 Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-12-16T09:12:33Z)
• 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)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。