Core Concepts
シーケンスベースとグラフベースのアプローチを組み合わせた新しい学習フレームワークが、推薦性能を大幅に向上させることを示す。
Abstract
この論文では、シーケンスベースとグラフベースのデータ表現を組み合わせた新しいエンドツーエンドのフレームワークであるMRGSRecが提案されています。このフレームワークは、入力データから異なるパターンを捉える2つの独立した表現を構築することができます。実験では、古典的なベンチマークデータセットでの我々のアプローチが、最先端の手法群に対して効果的であることが示されています。
この研究では、Amazon-Beauty、Amazon-Clothing、Amazon-Sports、およびMovieLens-1Mなどの4つのベンチマークデータセットで実験が行われました。トレーニング・バリデーション・テスト分割には最新アイテムを使用し、HR@nおよびNDCG@nメトリック(n=5, 10)で評価されました。MRGSRecはSASRec+からシーケンスエンコーダと損失関数を取り込み、LightGCNからグラフエンコーダと目的関数を取り込んだものです。
実験結果は、基準値と比較して全体的なパフォーマンスを報告しており、他の手法よりも優れた相対的な改善が見られます。ML-1MデータセットではNDCGメトリックで最も顕著な相対的改善が観測されました。
Stats
Beauty: HR@5 3.52%
Clothing: NDCG@10 4.52%
Sports: HR@10 4.08%
ML-1M: NDCG@5 8.94%
Quotes
"Many recent advancements in recommender systems have focused on developing sequence-based and graph-based approaches."
"Both approaches proved useful in modeling intricate relationships within behavioral data."
"Our empirical evaluation on several datasets demonstrates that mutual training of sequential and graph components with the proposed framework significantly improves recommendations performance."