論文の概要: HyperMAN: Hypergraph-enhanced Meta-learning Adaptive Network for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2503.22049v1
• Date: Thu, 27 Mar 2025 23:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:30:45.423513
• Title: HyperMAN: Hypergraph-enhanced Meta-learning Adaptive Network for Next POI Recommendation
• Title（参考訳）: HyperMAN: 次のPOI勧告のためのハイパーグラフ強化メタ学習適応ネットワーク
• Authors: Jinze Wang, Tiehua Zhang, Lu Zhang, Yang Bai, Xin Li, Jiong Jin,
• Abstract要約: Next Point-of-Interest (POI) は、履歴チェックインシーケンスを活用することで、ユーザの次の位置を予測することを目的としている。 ヘテロジニアスなハイパーグラフモデリングと,次のPOIレコメンデーションのための難易度の高いメタラーニング機構を統合した,ハイパーグラフ強化メタラーニング適応ネットワーク(HyperMAN)を提案する。
• 参考スコア（独自算出の注目度）: 12.806603593513683
• License:
• Abstract: Next Point-of-Interest (POI) recommendation aims to predict users' next locations by leveraging historical check-in sequences. Although existing methods have shown promising results, they often struggle to capture complex high-order relationships and effectively adapt to diverse user behaviors, particularly when addressing the cold-start issue. To address these challenges, we propose Hypergraph-enhanced Meta-learning Adaptive Network (HyperMAN), a novel framework that integrates heterogeneous hypergraph modeling with a difficulty-aware meta-learning mechanism for next POI recommendation. Specifically, three types of heterogeneous hyperedges are designed to capture high-order relationships: user visit behaviors at specific times (Temporal behavioral hyperedge), spatial correlations among POIs (spatial functional hyperedge), and user long-term preferences (user preference hyperedge). Furthermore, a diversity-aware meta-learning mechanism is introduced to dynamically adjust learning strategies, considering users behavioral diversity. Extensive experiments on real-world datasets demonstrate that HyperMAN achieves superior performance, effectively addressing cold start challenges and significantly enhancing recommendation accuracy.
• Abstract（参考訳）: Next Point-of-Interest (POI) は、履歴チェックインシーケンスを活用することで、ユーザの次の位置を予測することを目的としている。 既存の手法は有望な結果を示しているが、特にコールドスタート問題に対処する場合、複雑な高次関係を捉え、多様なユーザの振る舞いに効果的に適応するのに苦労することが多い。 これらの課題に対処するために, ヘテロジニアスなハイパーグラフモデリングと, 次のPOIレコメンデーションのための難易度の高いメタラーニング機構を統合した, ハイパーグラフ強化メタラーニング適応ネットワーク(HyperMAN)を提案する。 具体的には、特定の時間におけるユーザ訪問行動(時間的行動的ハイパーエッジ)、POI間の空間的相関(空間的機能的ハイパーエッジ)、ユーザの長期的嗜好(ユーザの嗜好的ハイパーエッジ)の3種類のヘテロジニアスなハイパーエッジが、高次関係を捉えるように設計されている。 さらに,ユーザの行動多様性を考慮した学習戦略を動的に調整するために,多様性を考慮したメタ学習機構を導入する。 実世界のデータセットに関する大規模な実験は、HyperMANが優れたパフォーマンスを実現し、コールドスタートの課題に効果的に対処し、リコメンデーションの精度を大幅に向上することを示した。

関連論文リスト

• HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
  マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。 まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
  論文  参考訳（メタデータ） (2024-12-19T02:57:02Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Multi-Behavior Hypergraph-Enhanced Transformer for Sequential Recommendation [33.97708796846252]
  短期および長期のクロスタイプの振る舞い依存を捉えるために,新しいMBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)を導入する。 具体的には、多スケールトランスフォーマーは、細粒度および粗粒度から振舞い対応のシーケンシャルパターンを共同符号化するために、低ランクの自己アテンションを備える。
  論文  参考訳（メタデータ） (2022-07-12T15:07:21Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• 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)
• Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
  本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。 我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
  論文  参考訳（メタデータ） (2021-10-08T08:38:27Z)
• 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)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• 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)

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。