Abstract

PLC(Personalized List Continuation) 작업은 다음 항목을 사용자 생성 목록(항목 순서)으로 개인화된 방식으로 큐레이션하는 것입니다. 이 작업의 주요 과제는 기존 작업이 고려하지 않는 상호 작용 개체(사용자, 항목 및 목록) 간의 3원 관계를 이해하는 것이다. 더욱이, 그들은 같은 유형의 기업들 사이의 다중 홉 관계를 고려하지 않는다. 또한 목록에 이미 있는 항목 중 순차적 정보를 캡처하는 것도 큐레이션될 다음 관련 항목을 결정하는 데 중요한 역할을 합니다.
본 연구에서는 위에서 언급한 과제를 해결하기 위해 개인화된 목록 연속 작업을 위한 자체 주의 하이퍼그래프 및 트랜스포머 기반 신경망 아키텍처인 HyperTeNet을 제안한다. 그래프 컨볼루션을 사용하여 동일한 유형의 엔티티 간의 멀티홉 관계를 학습하고 자기 주의 기반 하이퍼그래프 신경망을 활용하여 3-균일한 하이퍼그래프에서 하이퍼링크 예측을 통해 상호 작용하는 엔티티 간의 3차 관계를 학습한다. 또한 엔티티 임베딩은 Transformer 기반 아키텍처와 공유되며 대체 최적화 절차를 통해 학습된다. 그 결과, 이 네트워크는 목록에 추가될 다음 항목을 큐레이션하는 데 필요한 순차적 정보도 학습한다. 실험 결과는 HyperTeNet이 실제 데이터 세트에서 다른 최첨단 모델을 크게 능가한다는 것을 보여준다. 구현 및 데이터 세트는 온라인으로 제공됩니다.

I. INTRODUCTION

개인화된 항목 목록 연속(또는 개인화된 목록 연속)(PLC) 작업은 개인화된 방식으로 사용자가 생성한 항목 목록에 잠재적인 항목 순서를 권장하는 것입니다. 최근 몇 년 동안, 개인화된 목록 지속 문제는 다양한 온라인 서비스에 적용되어 상당한 관심을 받고 있다. 예를 들어, 음악 스트리밍 플랫폼인 스포티파이(Spotify)는 사용자가 생성한 재생목록에 대한 잠재적인 트랙(노래) 시퀀스를 자동으로 식별해야 합니다. 좋은 책을 읽으려면 사용자가 만든 테마의 책 목록을 자동으로 추천하는 추천자 시스템이 필요하다.추천 시스템에서 대부분의 작업은 링크 예측 문제로 모델링될 수 있다. 예를 들어, 각 사용자에 대해 상위 N개 항목을 추천하는 것은 사용자와 항목 간의 연결을 예측하는 것으로 모델링될 수 있다. 그러나 개인화된 목록 연속 작업에는 쌍 관계를 뛰어넘는 링크 예측이 필요하다. 예를 들어, 다른 장르를 가진 두 개의 재생 목록을 가진 사용자를 생각해 봅시다. 그리고 그녀는 이러한 장르 이외의 노래와 상호작용하지 않습니다. 첫 번째 재생목록은 주로 프로그레시브 록 곡으로 구성되고 두 번째 재생목록은 블루스 곡으로 구성된다고 가정해보자. 첫 번째 재생목록에 대한 좋은 추천은 예를 들어 핑크 플로이드와 고슴도치의 노래로 구성된다. 블루스 플레이리스트에게, 좋은 추천곡은 전설의 Gary Moore와 B의 노래일 것이다. B. 킹. 사용자가 다른 장르의 노래와 상호작용하지 않았기 때문에 다른 장르(EDM)의 노래(예: 관춤)를 플레이리스트에 추천하는 것은 사용자 경험을 저해할 수 있다. 특정 재생목록에서 사용자에게 노래를 추천하려면 사용자의 관심사와 재생목록을 고려해야 합니다. 따라서 사용자, 음악 및 재생 목록(사용자 음악 재생 목록)을 동시에 연결하는 링크를 예측하는 데 관심이 있습니다. 그러나 쌍방향 링크 예측만 사용하여 위의 문제를 모델링하면 정보 손실이 발생한다. 예를 들어 사용자와 노래 사이의 링크는 재생 목록에 대한 정보를 무시합니다. 마찬가지로 재생 목록과 노래 사이의 링크를 예측하는 것은 음악을 추천하는 사용자에 대한 정보를 무시한다.