論文の概要: Modeling Multi-Hop Semantic Paths for Recommendation in Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2505.05989v1
• Date: Fri, 09 May 2025 12:18:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.257914
• Title: Modeling Multi-Hop Semantic Paths for Recommendation in Heterogeneous Information Networks
• Title（参考訳）: 不均一情報ネットワークにおけるレコメンデーションのためのマルチホップセマンティックパスのモデル化
• Authors: Hongye Zheng, Yue Xing, Lipeng Zhu, Xu Han, Junliang Du, Wanyu Cui,
• Abstract要約: この方法は、様々な種類の実体と関係からなるマルチホップパスに焦点を当てている。 パスの選択、セマンティック表現、アテンションベースの融合という3つの段階を通じて、ユーザの好みをモデル化する。 Amazon-Bookのような実世界のデータセットで実施された実験は、提案手法が既存のレコメンデーションモデルを大幅に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）: 16.311191228574693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study focuses on the problem of path modeling in heterogeneous information networks and proposes a multi-hop path-aware recommendation framework. The method centers on multi-hop paths composed of various types of entities and relations. It models user preferences through three stages: path selection, semantic representation, and attention-based fusion. In the path selection stage, a path filtering mechanism is introduced to remove redundant and noisy information. In the representation learning stage, a sequential modeling structure is used to jointly encode entities and relations, preserving the semantic dependencies within paths. In the fusion stage, an attention mechanism assigns different weights to each path to generate a global user interest representation. Experiments conducted on real-world datasets such as Amazon-Book show that the proposed method significantly outperforms existing recommendation models across multiple evaluation metrics, including HR@10, Recall@10, and Precision@10. The results confirm the effectiveness of multi-hop paths in capturing high-order interaction semantics and demonstrate the expressive modeling capabilities of the framework in heterogeneous recommendation scenarios. This method provides both theoretical and practical value by integrating structural information modeling in heterogeneous networks with recommendation algorithm design. It offers a more expressive and flexible paradigm for learning user preferences in complex data environments.
• Abstract（参考訳）: 本研究では、異種情報ネットワークにおける経路モデリングの問題に焦点をあて、マルチホップパス認識レコメンデーションフレームワークを提案する。 この方法は、様々な種類の実体と関係からなるマルチホップパスに焦点を当てている。 パスの選択、セマンティック表現、アテンションベースの融合という3つの段階を通じて、ユーザの好みをモデル化する。 経路選択段階では、冗長でノイズの多い情報を除去するために経路フィルタリング機構を導入する。 表現学習の段階では、連続モデリング構造を用いてエンティティとリレーションを共同でエンコードし、パス内のセマンティック依存関係を保存する。 融合段階では、アテンション機構が各経路に異なる重みを割り当て、グローバルなユーザ関心表現を生成する。 Amazon-Bookのような実世界のデータセットで実施された実験によると、提案手法はHR@10、Recall@10、Precision@10など、複数の評価指標で既存のレコメンデーションモデルを大幅に上回っている。 その結果、高次相互作用セマンティクスのキャプチャにおけるマルチホップパスの有効性を確認し、不均一なレコメンデーションシナリオにおけるフレームワークの表現的モデリング能力を実証した。 この手法は,異種ネットワークにおける構造情報モデリングとレコメンデーションアルゴリズムの設計を統合し,理論的および実用的価値を提供する。 複雑なデータ環境におけるユーザの好みを学習するための、より表現力豊かで柔軟なパラダイムを提供する。

関連論文リスト

• Dual-Channel Multiplex Graph Neural Networks for Recommendation [41.834188809480956]
  我々は、新しいレコメンデーションフレームワークDual-Channel Multiplex Graph Neural Network (DCMGNN)を導入する。 これは、明示的な行動パターン表現学習を組み込んで、複数のユーザとイテムの対話関係からなる行動パターンをキャプチャする。 また、リレーションチェーン表現学習器とリレーションチェーン認識エンコーダを含み、様々な補助関係がターゲット関係に与える影響を検出する。
  論文  参考訳（メタデータ） (2024-03-18T09:56:00Z)
• Dependency Structure Search Bayesian Optimization for Decision Making Models [29.95525433889418]
  本稿では,役割の概念を通じてエージェント相互作用のダイナミクスをモデル化する,コンパクトな多層アーキテクチャを提案する。 不正な報奨や軽微な報奨に強い経験的結果を示した。
  論文  参考訳（メタデータ） (2023-08-01T15:56:24Z)
• Towards Universal Sequence Representation Learning for Recommender Systems [98.02154164251846]
  我々はUniSRecという新しいユニバーサルシーケンス表現学習手法を提案する。 提案手法は、項目の関連記述テキストを用いて、異なる推薦シナリオ間で転送可能な表現を学習する。 我々のアプローチは、パラメータ効率のよい方法で、新しいレコメンデーションドメインやプラットフォームに効果的に移行できます。
  論文  参考訳（メタデータ） (2022-06-13T07:21:56Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Multi-path Neural Networks for On-device Multi-domain Visual Classification [55.281139434736254]
  本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。 提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。 決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
  論文  参考訳（メタデータ） (2020-10-10T05:13:49Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)

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。