論文の概要: Revisiting Graph Projections for Effective Complementary Product Recommendation

• arxiv url: http://arxiv.org/abs/2506.09209v1
• Date: Tue, 10 Jun 2025 19:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.029596
• Title: Revisiting Graph Projections for Effective Complementary Product Recommendation
• Title（参考訳）: 効率的な補完製品レコメンデーションのためのグラフ投影の再検討
• Authors: Leandro Anghinoni, Pablo Zivic, Jorge Adrian Sanchez,
• Abstract要約: 本稿では,質問項目を補完する製品のリストを簡易かつ効果的に予測する手法を提案する。 本稿では,レコメンデータシステムのための二部グラフプロジェクションを再検討し,相補性関係を推定するための新しいアプローチを提案する。
• 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: Complementary product recommendation is a powerful strategy to improve customer experience and retail sales. However, recommending the right product is not a simple task because of the noisy and sparse nature of user-item interactions. In this work, we propose a simple yet effective method to predict a list of complementary products given a query item, based on the structure of a directed weighted graph projected from the user-item bipartite graph. We revisit bipartite graph projections for recommender systems and propose a novel approach for inferring complementarity relationships from historical user-item interactions. We compare our model with recent methods from the literature and show, despite the simplicity of our approach, an average improvement of +43% and +38% over sequential and graph-based recommenders, respectively, over different benchmarks.
• Abstract（参考訳）: 補完的な製品レコメンデーションは、顧客体験と小売販売を改善するための強力な戦略である。 しかしながら、ユーザとイテムのインタラクションのノイズとスパースの性質のため、適切なプロダクトを推奨するのは簡単な作業ではありません。 本研究では,ユーザ・イテム二部グラフから投影される有向重み付きグラフの構造に基づいて,質問項目を補完する製品のリストを簡易かつ効果的に予測する手法を提案する。 本稿では,レコメンデータシステムのための二部グラフプロジェクションを再検討し,過去のユーザ・イテム相互作用から相補的関係を推定するための新しいアプローチを提案する。 提案手法の単純さにもかかわらず, 逐次的およびグラフベースの推奨者に対して, 平均+43%, +38%の改善をそれぞれ異なるベンチマークで示した。

関連論文リスト

• Graph Contrastive Learning on Multi-label Classification for Recommendations [34.785207813971134]
  マルチラベル分類のためのグラフコントラスト学習モデル(MCGCL)を提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。 マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2025-01-13T00:29:29Z)
• 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)
• 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)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
  本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。 我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
  論文  参考訳（メタデータ） (2020-10-23T10:30:24Z)
• Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
  グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。 提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
  論文  参考訳（メタデータ） (2020-07-31T16:56:54Z)

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。