論文の概要: GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation

• arxiv url: http://arxiv.org/abs/2601.08497v1
• Date: Tue, 13 Jan 2026 12:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.193983
• Title: GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
• Title（参考訳）: GraphFusionSBR: セッションベースのレコメンデーションのためのマルチチャネルグラフの通知
• Authors: Jia-Xin He, Hung-Hsuan Chen,
• Abstract要約: セッションベースのレコメンデーションシステムは、セッションからの暗黙のユーザ意図をキャプチャする必要があります。 本稿では,知識グラフチャネル,セッションハイパーグラフチャネル,セッションライングラフチャネルを含むマルチチャネルレコメンデーションモデルを提案する。 我々のモデルは、ノイズを低減するために知識グラフチャネルの冗長なエッジを適応的に除去する。
• 参考スコア（独自算出の注目度）: 1.7296792205379312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-based recommendation systems must capture implicit user intents from sessions. However, existing models suffer from issues such as item interaction dominance and noisy sessions. We propose a multi-channel recommendation model, including a knowledge graph channel, a session hypergraph channel, and a session line graph channel, to capture information from multiple sources. Our model adaptively removes redundant edges in the knowledge graph channel to reduce noise. Knowledge graph representations cooperate with hypergraph representations for prediction to alleviate item dominance. We also generate in-session attention for denoising. Finally, we maximize mutual information between the hypergraph and line graph channels as an auxiliary task. Experiments demonstrate that our method enhances the accuracy of various recommendations, including e-commerce and multimedia recommendations. We release the code on GitHub for reproducibility.\footnote{https://github.com/hohehohe0509/DSR-HK}
• Abstract（参考訳）: セッションベースのレコメンデーションシステムは、セッションからの暗黙のユーザ意図をキャプチャする必要があります。 しかし、既存のモデルはアイテムインタラクションの優位性やノイズの多いセッションといった問題に悩まされている。 本稿では,知識グラフチャネル,セッションハイパーグラフチャネル,セッションライングラフチャネルを含むマルチチャネルレコメンデーションモデルを提案する。 我々のモデルは、ノイズを低減するために知識グラフチャネルの冗長なエッジを適応的に除去する。 知識グラフ表現は、アイテムの優位性を軽減するためにハイパーグラフ表現と連携する。 私たちはまた、デノナイジングのためのインセッションの注意も生み出します。 最後に,ハイパーグラフと線グラフチャネル間の相互情報を補助的タスクとして最大化する。 実験により,eコマースやマルチメディアレコメンデーションなど,様々なレコメンデーションの精度が向上することが示された。 再現性のためにGitHubでコードをリリースしています。 \footnote{https://github.com/hohehohe0509/DSR-HK}

関連論文リスト

• Language-Guided Graph Representation Learning for Video Summarization [96.2763459348758]
  本稿では,映像要約のためのLGRLN(Language-guided Graph Representation Learning Network)を提案する。 具体的には,ビデオフレームを構造化グラフに変換して時間的順序と文脈依存性を保存するビデオグラフ生成装置を提案する。 提案手法は,複数のベンチマークにおいて既存手法より優れている。
  論文  参考訳（メタデータ） (2025-11-14T04:35:48Z)
• 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)
• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Instant Representation Learning for Recommendation over Large Dynamic Graphs [29.41179019520622]
  動的多重多元グラフのための新しいグラフニューラルネットワークSUPAを提案する。 新しいエッジごとに、SUPAは影響のあるサブグラフをサンプリングし、2つの対話ノードの表現を更新し、その相互作用情報をサンプリングされたサブグラフに伝達する。 SuPAをオンラインでインクリメンタルにトレーニングするために、大規模な動的グラフのシングルパストレーニングのための効率的なワークフローであるInsLearnを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:36:10Z)
• 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)
• Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation [30.67251766249372]
  マイクロビデオレコメンデーションのための新しい概念認識型グラフニューラルネットワーク(CONDE)を提案する。 提案したCONDEは、既存の最先端ソリューションよりも大幅に優れたレコメンデーション性能を実現する。
  論文  参考訳（メタデータ） (2021-09-28T07:02:52Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)

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。