Social Recommendation through Heterogeneous Graph Modeling of the Long-term and Short-term Preference Defined by Dynamic Time Spans

要約

社会的推奨は、実質的な領域で広く採用されています。
最近、グラフ ニューラル ネットワーク (GNN) は、グラフ表現の学習における成功により、レコメンダー システムに採用されています。
ただし、ソーシャル ネットワーク データの動的な特性を扱うのは困難です。
この研究では、異種グラフにソーシャル ネットワーク データの動的な特性を組み込むことにより、ソーシャル レコメンデーションを提供する新しい方法を紹介します。
このモデルは、期間ノードを追加してユーザーの長期および短期の好みを定義し、割り当てられたエッジの重みを集計することで、動的グラフの複雑さを経由せずに、長期にわたるユーザーの好みをキャプチャすることを目的としています。
このモデルは実世界のデータに適用され、その優れたパフォーマンスが実証されています。
有望な結果は、このモデルの有効性を示しています。

要約(オリジナル)

Social recommendations have been widely adopted in substantial domains. Recently, graph neural networks (GNN) have been employed in recommender systems due to their success in graph representation learning. However, dealing with the dynamic property of social network data is a challenge. This research presents a novel method that provides social recommendations by incorporating the dynamic property of social network data in a heterogeneous graph. The model aims to capture user preference over time without going through the complexities of a dynamic graph by adding period nodes to define users’ long-term and short-term preferences and aggregating assigned edge weights. The model is applied to real-world data to argue its superior performance. Promising results demonstrate the effectiveness of this model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google