論文の概要: Heterogeneous Sequel-Aware Graph Neural Networks for Sequential Learning

• arxiv url: http://arxiv.org/abs/2506.05625v1
• Date: Thu, 05 Jun 2025 22:58:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.256311
• Title: Heterogeneous Sequel-Aware Graph Neural Networks for Sequential Learning
• Title（参考訳）: シークエンス学習のための不均一なシークエンス対応グラフニューラルネットワーク
• Authors: Anushka Tiwari, Haimonti Dutta, Shahrzad Khanizadeh,
• Abstract要約: 続編を意識したグラフニューラルネットワークは,後続情報を考慮しないグラフベースのレコメンデーションシステムよりも優れたレコメンデーション性能を示す。 以上の結果から,商品からのシーケンス情報の導入により,推薦が大幅に向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based recommendation systems use higher-order user and item embeddings for next-item predictions. Dynamically adding collaborative signals from neighbors helps to use similar users' preferences during learning. While item-item correlations and their impact on recommendations have been studied, the efficacy of temporal item sequences for recommendations is much less explored. In this paper, we examine temporal item sequence (sequel-aware) embeddings along with higher-order user embeddings and show that sequel-aware Graph Neural Networks have better (or comparable) recommendation performance than graph-based recommendation systems that do not consider sequel information. Extensive empirical results comparing Heterogeneous Sequel-aware Graph Neural Networks (HSAL-GNNs) to other algorithms for sequential learning (such as transformers, graph neural networks, auto-encoders) are presented on three synthetic and three real-world datasets. Our results indicate that the incorporation of sequence information from items greatly enhances recommendations.
• Abstract（参考訳）: グラフベースのレコメンデーションシステムは、次のイテム予測に高階ユーザとアイテムの埋め込みを使用する。 隣人からの協調的なシグナルを動的に追加することは、学習中に類似したユーザの好みを利用するのに役立つ。 項目間相関とそのレコメンデーションへの影響は研究されているが、レコメンデーションのための時間的項目シーケンスの有効性は明らかにされていない。 本稿では、高階ユーザ埋め込みとともに時間的項目列(シーケンス認識)埋め込みを検証し、続編対応グラフニューラルネットワークは、後続情報を考慮しないグラフベースのレコメンデーションシステムよりも優れた(あるいは同等の)レコメンデーション性能を有することを示す。 異種シークエンシャルグラフニューラルネットワーク(HSAL-GNN)とシーケンシャルラーニングのための他のアルゴリズム(トランスフォーマー、グラフニューラルネットワーク、オートエンコーダなど)を比較した大規模な実験結果が、3つの実世界のデータセットと3つの実世界のデータセットで示される。 以上の結果から,商品からのシーケンス情報の導入により,推薦が大幅に向上することが示唆された。

関連論文リスト

• Unsupervised Graph Embeddings for Session-based Recommendation with Item Features [10.067724849703321]
  セッションベースのレコメンデーションシステムでは、予測はセッションにおけるユーザの前の振る舞いに基づいて行われる。 本稿では,グラフ表現にアイテム機能を直接組み込んだ新しいグラフ畳み込みネットワーク拡張法(GCNext)を提案する。 我々の柔軟な拡張は最先端のメソッドに簡単に組み込むことができ、MRR@20を最大12.79%向上させる。
  論文  参考訳（メタデータ） (2025-02-19T14:23:18Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
  グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。 本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T11:49:33Z)
• 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)
• 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)
• SiReN: Sign-Aware Recommendation Using Graph Neural Networks [6.739000442575012]
  我々は,GNNモデルに基づく新しいサイン・アウェア・レコメンデータシステムSiReNを提案する。 SiReNは、最先端のNE支援レコメンデーションメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-08-19T15:07:06Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。