文献

J-GLOBAL ID：202002221196818246   整理番号：20A2083915

知識グラフによるニューラル協調推薦【JST・京大機械翻訳】

Neural Collaborative Recommendation with Knowledge Graph

著者 (2件)： Sang Lei ((Hefei University of Technology) Ministry of Education,Key Laboratory of Knowledge Engineering with Big Data,Hefei,China,230009) ,  Li Lei ((Hefei University of Technology) Ministry of Education,Key Laboratory of Knowledge Engineering with Big Data,Hefei,China,230009)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICKG  ページ： 203-210  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 知識グラフ(KG)は,通常,アイテムに関する果実の多い接続事実から構成されており,推薦システムにおけるスパース性問題を軽減する前例のない機会を示す。しかしながら,既存のKGベースの推薦方法は,主に手作業メタ経路特徴または単純な三重レベルエンティティ埋込みに依存し,それは推薦のためのエンティティの長期関係依存性を自動的に捉えることができない。本論文では,残差リカレントネットワーク(KGNCF-RRN)による知識グラフ強化ニューラルネットワーク(KGNCF-RRN)と名付けた2チャネル神経相互作用法を提案し,推薦のための長期関係依存性KGコンテキストとユーザ-項目相互作用の両方を利用した。(1)KGコンテキスト相互作用チャネルに対して,KGの長期関係依存性を効率的に符号化するために,従来のリカレントニューラルネットワーク(RNN)に残差学習を組み込んだコンテキストベース経路埋込みを構築するために,残差リカレントネットワーク(RRN)を提案した。次に,自己注意ネットワークを,様々なユーザインタラクション挙動の多義性を捕捉するために,経路埋込みに適用した。(2)ユーザ-アイテム相互作用チャネルのために,ユーザとアイテム埋込みを新しく設計した二次元相互作用マップに供給した。(3)2チャネル神経相互作用行列上で,ユーザとアイテム間の複雑な相関を学習するために畳み込みニューラルネットワークを採用した。3つのベンチマークデータセットに関する広範な実験結果は,提案したアプローチが知識グラフベースの推薦のための既存の最先端の手法より優れていることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  学習 ,  ネットワーク ,  ニューラルネットワーク ,  *残差 ,  多義性 ,  二次元 ,  チャネル ,  ベンチマーク
準シソーラス用語： スパース性 ,  推奨システム ,  リカレントニューラルネットワーク ,  ユーザインタラクション ,  エンティティ ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 知識グラフ ,  協調 ,  推薦