論文の概要: Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation

• arxiv url: http://arxiv.org/abs/2504.13614v1
• Date: Fri, 18 Apr 2025 10:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 16:07:41.935087
• Title: Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation
• Title（参考訳）: Denoising and Augmentation for Recommendation を併用した適応型長期埋め込み
• Authors: Zahra Akhlaghi, Mostafa Haghir Chehreghani,
• Abstract要約: 本稿では,ALDA4Rec法(Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation)を提案する。 ALDA4Recは、アイテム-イムグラフを構築し、コミュニティ検出を通じてノイズをフィルタリングし、ユーザ-イムインタラクションを強化する新しいモデルである。 4つの実世界のデータセットで実施された実験は、ALDA4Recが最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 1.0128808054306186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of the internet has made personalized recommendation systems indispensable. Graph-based sequential recommendation systems, powered by Graph Neural Networks (GNNs), effectively capture complex user-item interactions but often face challenges such as noise and static representations. In this paper, we introduce the Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation (ALDA4Rec) method, a novel model that constructs an item-item graph, filters noise through community detection, and enriches user-item interactions. Graph Convolutional Networks (GCNs) are then employed to learn short-term representations, while averaging, GRUs, and attention mechanisms are utilized to model long-term embeddings. An MLP-based adaptive weighting strategy is further incorporated to dynamically optimize long-term user preferences. Experiments conducted on four real-world datasets demonstrate that ALDA4Rec outperforms state-of-the-art baselines, delivering notable improvements in both accuracy and robustness. The source code is available at https://github.com/zahraakhlaghi/ALDA4Rec.
• Abstract（参考訳）: インターネットの急速な成長により、パーソナライズされたレコメンデーションシステムは不可欠である。 グラフベースシーケンシャルレコメンデーションシステムは、グラフニューラルネットワーク(GNN)をベースとして、複雑なユーザとテムのインタラクションを効果的にキャプチャするが、ノイズや静的表現といった課題に直面していることが多い。 本稿では,ALDA4Rec(Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation)法を提案する。 次に、グラフ畳み込みネットワーク(GCN)を用いて短期表現を学習し、平均化、GRU、アテンションメカニズムを用いて長期埋め込みをモデル化する。 長期ユーザの嗜好を動的に最適化するために、MLPベースの適応重み付け戦略がさらに組み込まれている。 4つの実世界のデータセットで実施された実験によると、ALDA4Recは最先端のベースラインよりも優れており、正確性と堅牢性の両方において顕著に改善されている。 ソースコードはhttps://github.com/zahraakhlaghi/ALDA4Rec.comで公開されている。

関連論文リスト

• Rolling Forward: Enhancing LightGCN with Causal Graph Convolution for Credit Bond Recommendation [16.015835475954773]
  光グラフ畳み込みネットワーク(LightGCN: Light Graph Convolutional Network)の新たな拡張を導入し、動的興味を捉えた時間ノードの埋め込みを学習する。 私たちのアプローチでは、前方のモデルアーキテクチャを維持するために因果的畳み込みを採用しています。 この結果から,時間依存アプリケーションにおけるグラフベースのレコメンデータシステムの設計に関する新たな知見が得られた。
  論文  参考訳（メタデータ） (2025-03-18T12:47:01Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation [15.977789295203976]
  本稿では,SelfGNN(Self-Supervised Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 SelfGNNフレームワークは、時間間隔に基づいて短期グラフを符号化し、グラフニューラルネットワーク(GNN)を使用して短期的な協調関係を学習する。 パーソナライズされた自己強化学習構造は、長期のユーザ関心と個人の安定性に基づいて、短期的なグラフにおけるノイズを緩和することにより、モデルロバスト性を高める。
  論文  参考訳（メタデータ） (2024-05-31T14:53:12Z)
• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• GraphPro: Graph Pre-training and Prompt Learning for Recommendation [18.962982290136935]
  GraphProはパラメータ効率と動的グラフ事前トレーニングと即時学習を組み合わせたフレームワークである。 本フレームワークは,時間的プロンプト機構とグラフ構造的プロンプト学習機構をシームレスに統合することにより,ユーザの好みを進化させる課題に対処する。
  論文  参考訳（メタデータ） (2023-11-28T12:00:06Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks [27.485553372163732]
  本稿では,グラフニューラルネットワーク,UBER-GNNを用いたユーザベースの埋め込み提案を提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 実際のPingでの実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-06T09:54:03Z)

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。