推奨のためのレビューを意識したグラフコントラスト学習フレームワーク【JST・京大機械翻訳】

Shuai Jie; Zhang Kun; Wu Le; Sun Peijie; Hong Richang; Wang Meng; Li Yong

プレプリント

J-GLOBAL ID：202202205552503169 整理番号：22P0338272

推奨のためのレビューを意識したグラフコントラスト学習フレームワーク【JST・京大機械翻訳】

A Review-aware Graph Contrastive Learning Framework for Recommendation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年04月25日プレプリントサーバーでの情報更新日： 2022年05月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ほとんどの現代の推薦システムは,ユーザとアイテムの埋込み学習,続くユーザ-項目インタラクションモデリングの2つのコンポーネントでユーザの選好を予測する。ユーザ評価に伴う補助レビュー情報を利用することにより,既存のレビューベースの推薦モデルの多くは,利用可能なユーザ-項目目標レビューの助けを借りて,歴史的レビューまたはより良いモデル化ユーザ-項目相互作用を有するユーザ/アイテム埋込み学習能力を強化した。著しい進歩がなされてきたが,レビューベースの推薦のための現在の解決策は2つの欠点に悩まされている。第1に,レビューベースの推薦は,対応するユーザ項目レビューからエッジ特徴を有するユーザ-アイテム二分グラフとして自然に形成でき,推薦のためにこのユニークなグラフ構造をより良く活用する方法であった。第2に,ほとんどの現在のモデルは限られたユーザ行動に悩まされるが,2つの推薦コンポーネントをよりよく誘導するために,レビュー意識グラフにおけるユニークな自己監督信号を利用することができる。この目的のために,本論文では,レビューベースの推薦のための,新しいレビュー意識グラフコントラスト学習(RGCL)フレームワークを提案した。具体的には,まず,各エッジ特徴がユーザ-項目評価と対応するレビュー意味論の両方から成る,レビューから特徴強化エッジを有するレビュー意識ユーザ-アイテムグラフを構築した。特徴強化エッジを有するこのグラフは,ユーザとアイテム表現学習のために各隣接ノード重みを,しばしば学習するのを助けることができる。その後,推薦プロセスにおける2つのコンポーネントのための自己監督信号を提供するために,2つの付加的対照学習タスク(すなわち,ノード識別とEdge識別)を設計した。最後に,5つのベンチマークデータセットに関する広範な実験は,最先端のベースラインと比較して,提案したRGCLの優位性を実証した。【JST・京大機械翻訳】

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

人工知能 , その他の情報処理

, , , , , ,

前のページに戻る