論文の概要: Towards Personalized Bangla Book Recommendation: A Large-Scale Multi-Entity Book Graph Dataset

• arxiv url: http://arxiv.org/abs/2602.12129v1
• Date: Thu, 12 Feb 2026 16:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.922852
• Title: Towards Personalized Bangla Book Recommendation: A Large-Scale Multi-Entity Book Graph Dataset
• Title（参考訳）: パーソナライズされたBangla Book Recommendation: 大規模マルチエンティティブックグラフデータセット
• Authors: Rahin Arefin Ahmed, Md. Anik Chowdhury, Sakil Ahmed Sheikh Reza, Devnil Bhattacharjee, Muhammad Abdullah Adnan, Nafis Sadeq,
• Abstract要約: 本研究は,大規模多義性ヘテロジニアスブックグラフデータセットであるRokomariBGを紹介する。 データセットには127,302冊の書籍、63,723人のユーザ、16,601人の著者、1,515のカテゴリ、2,757の出版社、209,602のレビューが含まれている。
• 参考スコア（独自算出の注目度）: 0.8991357734092901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized book recommendation in Bangla literature has been constrained by the lack of structured, large-scale, and publicly available datasets. This work introduces RokomariBG, a large-scale, multi-entity heterogeneous book graph dataset designed to support research on personalized recommendation in a low-resource language setting. The dataset comprises 127,302 books, 63,723 users, 16,601 authors, 1,515 categories, 2,757 publishers, and 209,602 reviews, connected through eight relation types and organized as a comprehensive knowledge graph. To demonstrate the utility of the dataset, we provide a systematic benchmarking study on the Top-N recommendation task, evaluating a diverse set of representative recommendation models, including classical collaborative filtering methods, matrix factorization models, content-based approaches, graph neural networks, a hybrid matrix factorization model with side information, and a neural two-tower retrieval architecture. The benchmarking results highlight the importance of leveraging multi-relational structure and textual side information, with neural retrieval models achieving the strongest performance (NDCG@10 = 0.204). Overall, this work establishes a foundational benchmark and a publicly available resource for Bangla book recommendation research, enabling reproducible evaluation and future studies on recommendation in low-resource cultural domains. The dataset and code are publicly available at https://github.com/backlashblitz/Bangla-Book-Recommendation-Dataset
• Abstract（参考訳）: バングラ文学におけるパーソナライズド・ブック・レコメンデーションは、構造化された大規模かつ一般公開されたデータセットの欠如によって制限されている。 この研究は、ローリソース言語設定におけるパーソナライズされたレコメンデーションの研究を支援するために設計された、大規模で多言語多種多様な書籍グラフデータセットであるRokomariBGを紹介した。 データセットは、127,302冊の書籍、63,723人のユーザ、16,601人の著者、1,515のカテゴリ、2,757の出版社、209,602のレビューで構成され、8つの関係タイプを通じて接続され、包括的な知識グラフとしてまとめられている。 データセットの有用性を実証するために,従来の協調フィルタリング手法,行列分解モデル,コンテンツベースアプローチ,グラフニューラルネットワーク,サイド情報付きハイブリッド行列分解モデル,ニューラル2tower検索アーキテクチャなど,多種多様な推奨モデルの評価を行い,Top-Nレコメンデーションタスクの体系的ベンチマークを行った。 ベンチマークの結果は、最も高いパフォーマンス(NDCG@10 = 0.204)を達成するニューラルネットワークモデルによって、マルチリレーショナル構造とテキスト側情報を活用することの重要性を強調している。 全体として、本研究はバングラ書推薦研究の基礎的ベンチマークと公開資料を確立し、再現可能な評価と、低リソースの文化ドメインにおける推薦に関する今後の研究を可能にする。 データセットとコードはhttps://github.com/backlashblitz/Bangla-Book-Recommendation-Datasetで公開されている。

関連論文リスト

• Generative Retrieval for Book search [106.67655212825025]
  書籍検索のための効率的な生成検索フレームワークを提案する。 データ拡張とアウトライン指向の書籍エンコーディングの2つの主要コンポーネントがある。 プロプライエタリなBaiduデータセットの実験では、GBSが強力なベースラインを上回ることが示されている。
  論文  参考訳（メタデータ） (2025-01-19T12:57:13Z)
• RelBench: A Benchmark for Deep Learning on Relational Databases [78.52438155603781]
  本稿では,グラフニューラルネットワークを用いたデータベース上でタスクを解くための公開ベンチマークであるRelBenchを紹介する。 私たちはRelBenchを使って、ディープラーニングインフラストラクチャに関する初の総合的な研究を行っています。 RDLは、人間の作業量を1桁以上削減しながら、より良く学習する。
  論文  参考訳（メタデータ） (2024-07-29T14:46:13Z)
• A Hypergraph-Based Approach to Recommend Online Resources in a Library [0.0]
  本研究は,デジタル図書館の利用データを分析し,利用者に推薦する。 異なるクラスタリングアルゴリズムを使用してレコメンダシステムを設計する。
  論文  参考訳（メタデータ） (2023-12-02T02:57:52Z)
• Knowledge Graph Driven Recommendation System Algorithm [9.952420935326893]
  KGLNと呼ばれる新しいグラフニューラルネットワークに基づくレコメンデーションモデルを提案する。 まず、グラフ内の個々のノード特徴をマージし、隣り合うエンティティの集約重みを調整するために、単層ニューラルネットワークを使用します。 モデルは、イテレーションを通じて単一のレイヤから複数のレイヤへと進化し、エンティティが広範囲にわたるマルチオーダー関連エンティティ情報にアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-12-01T21:50:43Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• 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)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search [9.634626241415916]
  リンク予測は、知識グラフ(KG)におけるエンティティ間の欠落した接続を予測するタスクである これまでの研究では、Automated Machine Learning(AutoML)を使用して、データセットに最適なモデルを探していた。 リンク予測タスクのための新しいニューラルネットワーク探索(NAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:34:09Z)
• Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information [20.176329366180934]
  ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であるレコメンデーションシステムの問題について検討する。 我々は、現代の現実世界のレコメンデーションの複雑さを捉えた問題に対する一般的な定式化を提供する。 本稿では,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。
  論文  参考訳（メタデータ） (2020-01-28T17:53:38Z)

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。