· 2019
Sinirsel Grafik İşbirlikçi Filtreleme
Neural Graph Collaborative Filtering
- 3.065atıf
- 2019yıl
Kısa özet
Sinirsel Grafik İşbirlikçi Filtreleme (NGCF), kullanıcı-öğe etkileşim sinyallerini doğrudan gömülere (embedding) kodlayarak, gizli işbirlikçi etkileri yakalayarak geleneksel yöntemleri geride bırakır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- NGCF, kullanıcı-öğe etkileşim sinyallerini doğrudan gömülere kodlar.
- Geleneksel yöntemler, işbirlikçi sinyalleri göz ardı ederek mevcut kullanıcı/öğe özelliklerinden eşleme yapar.
- Önerilen yöntem, gömüleri öğrenmek için kullanıcı-öğe etkileşim grafiğini kullanır.
- Bu yaklaşım, işbirlikçi filtreleme etkisini daha iyi yakalamayı amaçlar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Learning vector representations (aka. embeddings) of users and items lies at the core of modern recommender systems. Ranging from early matrix factorization to recently emerged deep learning based methods, existing efforts typically obtain a user's (or an item's) embedding by mapping from pre-existing features that describe the user (or the item), such as ID and attributes. We argue that an inherent drawback of such methods is that, the collaborative signal, which is latent in user-item interactions, is not encoded in the embedding process. As such, the resultant embeddings may not be sufficient to capture the collaborative filtering effect.
Yazarların özeti; kaynağından alınmıştır., 2019 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilişim Sistemleri
Information SystemsComputer Science