論文の概要: CFRecs: Counterfactual Recommendations on Real Estate User Listing Interaction Graphs

• arxiv url: http://arxiv.org/abs/2602.05861v1
• Date: Thu, 05 Feb 2026 16:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.050762
• Title: CFRecs: Counterfactual Recommendations on Real Estate User Listing Interaction Graphs
• Title（参考訳）: CFRecs: リアルタイムユーザリスティングインタラクショングラフの非現実的推奨
• Authors: Seyedmasoud Mousavi, Ruomeng Xu, Xiaojing Zhu,
• Abstract要約: 本稿では,CFRecs(CFRecs)について紹介する。 我々は、Zillowのグラフ構造化データにCFRecsを適用し、住宅購入者と販売者の両方に実用的なレコメンデーションを提供する。
• 参考スコア（独自算出の注目度）: 0.4369550829556577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-structured data is ubiquitous and powerful in representing complex relationships in many online platforms. While graph neural networks (GNNs) are widely used to learn from such data, counterfactual graph learning has emerged as a promising approach to improve model interpretability. Counterfactual explanation research focuses on identifying a counterfactual graph that is similar to the original but leads to different predictions. These explanations optimize two objectives simultaneously: the sparsity of changes in the counterfactual graph and the validity of its predictions. Building on these qualitative optimization goals, this paper introduces CFRecs, a novel framework that transforms counterfactual explanations into actionable insights. CFRecs employs a two-stage architecture consisting of a graph neural network (GNN) and a graph variational auto-encoder (Graph-VAE) to strategically propose minimal yet high-impact changes in graph structure and node attributes to drive desirable outcomes in recommender systems. We apply CFRecs to Zillow's graph-structured data to deliver actionable recommendations for both home buyers and sellers with the goal of helping them navigate the competitive housing market and achieve their homeownership goals. Experimental results on Zillow's user-listing interaction data demonstrate the effectiveness of CFRecs, which also provides a fresh perspective on recommendations using counterfactual reasoning in graphs.
• Abstract（参考訳）: グラフ構造化データは、多くのオンラインプラットフォームにおける複雑な関係を表現する上で、ユビキタスで強力なものだ。 グラフニューラルネットワーク(GNN)はそのようなデータから学習するために広く利用されているが、モデル解釈性を改善するための有望なアプローチとして、反ファクトグラフ学習が出現している。 対物的説明研究は、元のグラフと似ているが異なる予測をもたらす反物的グラフを特定することに焦点を当てている。 これらの説明は2つの目的を同時に最適化する。 本稿では、これらの定性的な最適化目標に基づいて、対実的説明を実行可能な洞察に変換する新しいフレームワークであるCFRecsを紹介する。 CFRecsは、グラフニューラルネットワーク(GNN)とグラフ変分自動エンコーダ(Graph-VAE)からなる2段階アーキテクチャを使用して、グラフ構造とノード属性の最小かつ高インパクトな変更を戦略的に提案し、レコメンダシステムにおいて望ましい結果をもたらす。 CFRecsをZillowのグラフ構造化データに適用し、競争力のある住宅市場をナビゲートし、住宅所有者の目標達成を支援することを目的として、住宅購入者と販売者双方に実用的なレコメンデーションを提供する。 Zillow氏のユーザリストのインタラクションデータに関する実験結果は、CFRecsの有効性を示している。

関連論文リスト

• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• Light-weight End-to-End Graph Interest Network for CTR Prediction in E-commerce Search [0.0]
  本稿では,ユーザの検索関心を効果的にマイニングするために,ライトウェイト・エンド・エンド・エンド・グラフ・関心ネットワーク (EGIN) という新しいアプローチを提案する。 提案するEGINは,問合せ項目のヘテロジニアスグラフ,軽量グラフサンプリング,多目的ネットワークという3つの部分から構成される。 提案したEGINの有効性を実証するため,公立および工業用両方のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-06-25T17:31:04Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。