論文の概要: Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2506.02834v1
• Date: Tue, 03 Jun 2025 13:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.794599
• Title: Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
• Title（参考訳）: グラフ畳み込み協調フィルタリングを用いたレコメンダシステムにおける社会的関係と相互作用データの組み合わせ
• Authors: Tin T. Tran, Vaclav Snasel, Loc Tan Nguyen,
• Abstract要約: ユーザ間の類似性は、推奨にとって重要な影響である。 本稿では,単一レビューやユーザとのインタラクションの少ないアウトレイラを除去する入力データ処理手法を提案する。 次のモデルでは、ユーザの評価履歴におけるソーシャル関係データと類似性を組み合わせて、推薦システムの精度とリコールを改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A recommender system is an important subject in the field of data mining, where the item rating information from users is exploited and processed to make suitable recommendations with all other users. The recommender system creates convenience for e-commerce users and stimulates the consumption of items that are suitable for users. In addition to e-commerce, a recommender system is also used to provide recommendations on books to read, movies to watch, courses to take or websites to visit. Similarity between users is an important impact for recommendation, which could be calculated from the data of past user ratings of the item by methods of collaborative filtering, matrix factorization or singular vector decomposition. In the development of graph data mining techniques, the relationships between users and items can be represented by matrices from which collaborative filtering could be done with the larger database, more accurate and faster in calculation. All these data can be represented graphically and mined by today's highly developed graph neural network models. On the other hand, users' social friendship data also influence consumption habits because recommendations from friends will be considered more carefully than information sources. However, combining a user's friend influence and the similarity between users whose similar shopping habits is challenging. Because the information is noisy and it affects each particular data set in different ways. In this study, we present the input data processing method to remove outliers which are single reviews or users with little interaction with the items; the next proposed model will combine the social relationship data and the similarity in the rating history of users to improve the accuracy and recall of the recommender system.
• Abstract（参考訳）: データマイニングの分野では,レコメンデータシステムは重要な課題であり,ユーザからの項目評価情報を活用,処理することで,他のすべてのユーザに対して適切なレコメンデーションを行う。 このレコメンダシステムは,eコマースユーザにとって便利なものを作り,ユーザに適したアイテムの消費を刺激する。 電子商取引に加えて、本を読むためのレコメンデーション、見るための映画、取るためのコース、訪問するウェブサイトを提供するためのレコメンデーションシステムも使用されている。 ユーザ間の類似性は推奨にとって重要な影響であり、協調フィルタリング、行列分解、特異ベクトル分解の方法によって過去のユーザ評価データから計算することができる。 グラフデータマイニング技術の開発において、ユーザとアイテムの関係は、より大きなデータベースで協調フィルタリングを行う行列によって表され、より正確かつ高速に計算できる。 これらのデータはすべてグラフィカルに表現することができ、今日の高度に開発されたグラフニューラルネットワークモデルによってマイニングされる。 一方、利用者の友人関係データは、情報ソースよりも友人からの推薦がより慎重に検討されるため、消費習慣にも影響を及ぼす。 しかし、利用者の友人の影響と、類似した買い物習慣を持つ利用者間の類似性を組み合わせることは困難である。 情報は騒々しく、それぞれのデータセットに異なる方法で影響を与えます。 本研究では,単一レビューやアイテムとのインタラクションがほとんどないアウトレーヤを除去する入力データ処理手法を提案する。次のモデルでは,ユーザの評価履歴におけるソーシャル関係データと類似性を組み合わせ,レコメンダシステムの精度とリコールを改善する。

関連論文リスト

• Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
  レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。 協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。 Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
  論文  参考訳（メタデータ） (2024-11-04T06:31:52Z)
• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)
• COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce [64.95907840457471]
  我々は,COOKIEと呼ばれる電子商取引プラットフォームにおける知識グラフに対する対話的推薦のための新しいデータセットを提案する。 データセットはAmazonのレビューコーパスから構築され、ユーザエージェント対話とカスタムナレッジグラフを統合してレコメンデーションする。
  論文  参考訳（メタデータ） (2020-08-21T00:11:31Z)
• Presentation of a Recommender System with Ensemble Learning and Graph Embedding: A Case on MovieLens [3.8848561367220276]
  グループ分類とアンサンブル学習技術は,推薦システムにおける予測精度を高めるために用いられた。 The study was performed on the MovieLens datasets, and the obtained results showed the high efficiency of the present method。
  論文  参考訳（メタデータ） (2020-07-15T12:52:15Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。