論文の概要: SWGCN: Synergy Weighted Graph Convolutional Network for Multi-Behavior Recommendation
- arxiv url: http://arxiv.org/abs/2602.00727v1
- Date: Sat, 31 Jan 2026 13:42:49 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-02-03 13:37:34.734394
- Title: SWGCN: Synergy Weighted Graph Convolutional Network for Multi-Behavior Recommendation
- Title（参考訳）: SWGCN:マルチビヘイビアレコメンデーションのための同期重み付きグラフ畳み込みネットワーク
- Authors: Fangda Chen, Yueyang Wang, Chaoli Lou, Min Gao, Qingyu Xiong,
- Abstract要約: 現在のグラフベースの手法は、行動間の相乗的信号と個々の行動のきめ細かい強度を見落としている。
そこで,Synergy Weighted Graph Convolutional Network (SWGCN)を提案する。
本モデルは,3つのオープンソースデータセット,特にTaobao,IJCAI,Beibeiの包括的なテストを通じて,厳密に評価されている。
- 参考スコア（独自算出の注目度）: 7.121022635383067
- License:
- Abstract: Multi-behavior recommendation paradigms have emerged to capture diverse user activities, forecasting primary conversions (e.g., purchases) by leveraging secondary signals like browsing history. However, current graph-based methods often overlook cross-behavioral synergistic signals and fine-grained intensity of individual actions. Motivated by the need to overcome these shortcomings, we introduce Synergy Weighted Graph Convolutional Network (SWGCN). SWGCN introduces two novel components: a Target Preference Weigher, which adaptively assigns weights to user-item interactions within each behavior, and a Synergy Alignment Task, which guides its training by leveraging an Auxiliary Preference Valuator. This task prioritizes interactions from synergistic signals that more accurately reflect user preferences. The performance of our model is rigorously evaluated through comprehensive tests on three open-source datasets, specifically Taobao, IJCAI, and Beibei. On the Taobao dataset, SWGCN yields relative gains of 112.49% and 156.36% in terms of Hit Ratio (HR) and Normalized Discounted Cumulative Gain (NDCG), respectively. It also yields consistent gains on IJCAI and Beibei, confirming its robustness and generalizability across various datasets. Our implementation is open-sourced and can be accessed via https://github.com/FangdChen/SWGCN.
- Abstract（参考訳）: マルチビヘイビア・レコメンデーション・パラダイムは、閲覧履歴のような二次的な信号を活用することで、多様なユーザアクティビティを捕捉し、プライマリ・コンバージョン(購入など)を予測する。
しかし、現在のグラフベースの手法は、しばしば行動間の相乗的信号と個々の行動のきめ細かい強度を見落としている。
これらの欠点を克服する必要性から,Synergy Weighted Graph Convolutional Network (SWGCN)を紹介した。
SWGCNは2つの新しいコンポーネントを紹介している。Target Preference Weigherは、各行動内のユーザとイテムの相互作用に重みを適応的に割り当て、Synergy Alignment Taskは補助的Preference Valuatorを利用してトレーニングをガイドする。
このタスクは、ユーザの好みをより正確に反映するシナジスティック信号からのインタラクションを優先する。
提案モデルの性能評価は,Taobao,IJCAI,Beibeiの3つのオープンソースデータセットの総合的なテストを通じて行った。
Taobaoデータセットでは、SWGCNはそれぞれ112.49%、Hit Ratio(HR)は156.36%、NDCG(正規化カウント累積ゲイン)は156.36%である。
IJCAIとBeibeiにも一貫した利益をもたらし、その堅牢性とさまざまなデータセット間の一般化性を確認している。
私たちの実装はオープンソースで、https://github.com/FangdChen/SWGCNを介してアクセスできます。
関連論文リスト
- STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control [77.56170394100022]
Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。
本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。
その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
論文 参考訳（メタデータ） (2025-10-15T06:20:47Z) - Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions [2.9633211091806997]
我々は,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,シーケンシャルレコメンデーションのための堅牢なアイテム埋め込みを生成する。
当社のアプローチは,データ拡張のためのGAN(Generative Adrial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。
ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。
論文 参考訳（メタデータ） (2025-03-23T06:30:48Z) - HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。
まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
論文 参考訳（メタデータ） (2024-12-19T02:57:02Z) - How Does Topology Bias Distort Message Passing? A Dirichlet Energy Perspective [21.257609475244223]
グラフベースのレコメンデータシステムは,人気バイアスによって損なわれていることを示す。
このバイアスは人気のある項目を過剰に表現し、ユーザのフィードバックループを通じてバイアスと公平性の問題を強化します。
本稿では,メッセージパッシングを高次simplicialコンプレックスに拡張するテスト時単純伝搬を提案する。
論文 参考訳（メタデータ） (2024-11-21T07:12:47Z) - Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。
提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文 参考訳（メタデータ） (2023-11-20T15:01:33Z) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳（メタデータ） (2023-08-07T12:26:34Z) - 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) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - RGBT Tracking via Multi-Adapter Network with Hierarchical Divergence
Loss [37.99375824040946]
本稿では,モダリティ共有型,モダリティ特化型,インスタンス認識型ターゲット表現学習を共同で行うための,新しいマルチアダプタネットワークを提案する。
2つのRGBT追跡ベンチマークデータセットの実験は、提案したトラッカーの優れた性能を示す。
論文 参考訳（メタデータ） (2020-11-14T01:50:46Z) - 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。