文献

J-GLOBAL ID：202202229380359196   整理番号：22A0947508

GC-HGNN:セッションベース勧告を強化するためのグローバルコンテキスト支援ハイパーグラフニューラルネットワーク【JST・京大機械翻訳】

GC-HGNN: A global-context supported hypergraph neural network for enhancing session-based recommendation

著者 (2件)： Peng Dunlu (Shanghai Key Lab of Modern Optical System, School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, 20093, Shanghai, China) ,  Zhang Shuo (Shanghai Key Lab of Modern Optical System, School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, 20093, Shanghai, China)
資料名： Electronic Commerce Research and Applications  (Electronic Commerce Research and Applications)
巻： 52  ページ： Null  発行年： 2022年 
JST資料番号： A1256A  ISSN： 1567-4223  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： セッションベース推薦(SBR)は,現在のセッションに基づいて相互作用すべき次の最もありそうな項目を予測することを目的とする。短い個々のセッションを考えると,配列自体の情報のみを用いて正確な推薦を行うことは困難である。推薦効果を改善するために,それは他のセッションシーケンスの相互作用情報を包括的に考慮する傾向になった。本論文では,ハイパーグラフニューラルネットワークであるGC-HGNNを提案し,SBR効果を強化した。モデルは,最初に,すべてのセッションシーケンスにおけるアイテム間の情報を伝達することによって,現在のユーザの好みを学習する。これに基づき,GC-HGNNモデルは,アイテムのグローバルコンテキスト情報と局所コンテキスト情報を完全に考慮して,グローバルセッションハイパーグラフと局所セッショングラフを構築する。グローバル文脈情報は超グラフ畳込みニューラルネットワークによって得られ,グラフ注意ネットワークはアイテム間のペアワイズ関係の学習によって局所コンテキスト情報を計算する。2種類の情報を融合するために合計プール法を使用し,融合情報を予測を達成するために適用した。広範な実験を3つの公共データセット,Diginetica,Tmall,および現在演習で実施し,実験結果は,提案したGC-HGNNモデルがSBRのベースラインモデルより優れていることを実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 数列 ,  相互作用 ,  *ネットワーク ,  *ニューラルネットワーク ,  基準線 ,  *超グラフ ,  実習
準シソーラス用語： ユーザ好み ,  コンテキスト情報 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： セッションベース推薦 ,  超グラフニューラルネットワーク ,  情報融合 ,  グラフ注意ネットワーク

分類 (2件)： 計算機網  (JC03000K) ,  その他の情報処理  (JE15050M)

タイトルに関連する用語 (7件)： GC ,  セッション ,  勧告 ,  強化 ,  グローバル ,  コンテキスト ,  支援