文献

J-GLOBAL ID：202202283398948896   整理番号：22A1163567

個人タグ推薦のためのニューラルグラフ【JST・京大機械翻訳】

Neural Graph for Personalized Tag Recommendation

著者 (5件)： Yu Yonghong (Tongda College, Nanjing University of Posts and Telecommunications, Yangzhou, China) ,  Chen Xuewen (Tongda College, Nanjing University of Posts and Telecommunications, Yangzhou, China) ,  Zhang Li (Northumbria University, Newcastle, U.K.) ,  Gao Rong (Hubei University of Technology, Wuhan, China) ,  Gao Haiyan (Nanjing University of Posts and Telecommunications, Yangzhou, China)
資料名： IEEE Intelligent Systems  (IEEE Intelligent Systems)
巻： 37  号： 1  ページ： 51-59  発行年： 2022年 
JST資料番号： T0134A  ISSN： 1541-1672  資料種別： 逐次刊行物 (A)
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： 伝統的個人化タグ推薦法は,エンティティ間のインタラクションに隠された結合関係がエンティティの表現を学習する過程で効果的に符号化され,エンティティの選好または属性を特徴付けるための不十分な表現能力をもたらす。本論文では,まず,グラフニューラルネットワークをペアワイズ相互作用テンソル因数分解モデルに統合する,グラフニューラルネットワークを,個別化タグ推薦モデル,すなわち,NGTR,を提案した。具体的には,グラフニューラルネットワークを利用して結合関係を捉え,相互作用グラフに沿った近隣の表現を送信し組み立てることによってエンティティの表現の学習に結合関係を統合した。さらに,光グラフニューラルネットワークは,個人化タグ推薦モデル,すなわちLNGTRをブーストした。NGTRと異なり,提案したLNGTRモデルは,最終埋込みとしてすべての層で学習された埋込みの加重和を採用するだけでなく,特徴変換と非線形活性化成分を除去する。実世界データセットに関する実験結果は,提案した個別化タグ推薦モデルが従来のタグ推薦法より優れていることを示した。Copyright 2022 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 ,  テンソル ,  *ニューラルネットワーク ,  標識 ,  因数分解 ,  モデル
準シソーラス用語： エンティティ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  テレビジョン一般  (ND12031N)

タイトルに関連する用語 (3件)： 個人 ,  タグ ,  推薦