長期および短期興味モデリングによるグラフニューラルニュース推薦【JST・京大機械翻訳】

Hu Linmei; Li Chen; Shi Chuan; Yang Cheng; Shao Chao

文献

J-GLOBAL ID：202002284015839999 整理番号：20A0276156

長期および短期興味モデリングによるグラフニューラルニュース推薦【JST・京大機械翻訳】

Graph neural news recommendation with long-term and short-term interest modeling

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A0276156&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0276156&from=J-GLOBAL&jstjournalNo=E0362B") }}

著者 (5件)： , , , ,
資料名：
巻： 57 号： 2 ページ： Null 発行年： 2020年
JST資料番号： E0362B ISSN： 0306-4573 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：イギリス (GBR) 言語：英語 (EN)

ニュース記事の情報爆発によって,個人化されたニュース推薦は,それらが興味を持っているニュースを迅速に発見するために,ユーザにとって重要になった。ニュース推薦に関する既存の方法は,主に直接ユーザ-アイテム相互作用とコンテンツベースの方法に依存する協調フィルタリング方法を含んでいる。それはユーザ読み取り履歴の内容を特徴付ける。これらの方法は良好な性能を達成しているが,それらの多くは,ニュース推薦システムにおいて,高次構造情報(類似ユーザが類似のニュース記事を読み出す傾向がある)を広く利用できないため,依然としてデータスパース問題に悩まされている。本論文では,ユーザ,ニュースおよび潜在的トピック間の相互作用を明示的にモデル化するために,不均一グラフを構築することを提案した。組み込まれたトピック情報はユーザの興味を示し,ユーザ-アイテム相互作用のスパース性を軽減する助けとなる。次に,グラフ上の埋め込みを伝搬することにより高次構造情報を符号化するユーザとニュース表現を学習するために,グラフニューラルネットワークを利用した。完全な歴史的ユーザクリックによる学習されたユーザ埋め込みは,ユーザの長期的関心を捉える。また,注目に基づくLSTMモデルによる最近の読み取り履歴を用いて,ユーザの短期的興味を考察した。実世界のデータセットに関する実験結果は,提案したモデルがニュース推薦に関する最先端の方法を著しく上回ることを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

情報検索一般 , 検索技術 , 人工知能 , 情報サービス , 自然語処理

, , , ,

前のページに戻る