論文の概要: Reinforced Negative Sampling over Knowledge Graph for Recommendation
- arxiv url: http://arxiv.org/abs/2003.05753v1
- Date: Thu, 12 Mar 2020 12:44:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:54:03.255936
- Title: Reinforced Negative Sampling over Knowledge Graph for Recommendation
- Title(参考訳): 推薦のための知識グラフによる強化負サンプリング
- Authors: Xiang Wang, Yaokun Xu, Xiangnan He, Yixin Cao, Meng Wang, Tat-Seng
Chua
- Abstract要約: 我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。
kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
- 参考スコア(独自算出の注目度): 106.07209348727564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Properly handling missing data is a fundamental challenge in recommendation.
Most present works perform negative sampling from unobserved data to supply the
training of recommender models with negative signals. Nevertheless, existing
negative sampling strategies, either static or adaptive ones, are insufficient
to yield high-quality negative samples --- both informative to model training
and reflective of user real needs. In this work, we hypothesize that item
knowledge graph (KG), which provides rich relations among items and KG
entities, could be useful to infer informative and factual negative samples.
Towards this end, we develop a new negative sampling model, Knowledge Graph
Policy Network (KGPolicy), which works as a reinforcement learning agent to
explore high-quality negatives. Specifically, by conducting our designed
exploration operations, it navigates from the target positive interaction,
adaptively receives knowledge-aware negative signals, and ultimately yields a
potential negative item to train the recommender. We tested on a matrix
factorization (MF) model equipped with KGPolicy, and it achieves significant
improvements over both state-of-the-art sampling methods like DNS and IRGAN,
and KG-enhanced recommender models like KGAT. Further analyses from different
angles provide insights of knowledge-aware sampling. We release the codes and
datasets at https://github.com/xiangwang1223/kgpolicy.
- Abstract(参考訳): 欠落したデータの適切な処理は、推奨の基本的な課題である。
現在、多くの作品は観測されていないデータから負のサンプリングを行い、負の信号を持つレコメンダモデルのトレーニングを提供する。
それでも、既存の否定的なサンプリング戦略は、静的あるいは適応的ないずれであっても、高品質な否定的なサンプルを生成するには不十分です。
本研究では,アイテム知識グラフ (kg) がアイテムとkgエンティティの間に豊富な関係性をもたらし,情報的かつ事実的負のサンプルを推測するのに有効であると仮定する。
この目的に向けて、我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(KGPolicy)を開発した。
具体的には、私たちの設計した探索操作を実行することで、ターゲットのポジティブなインタラクションからナビゲートし、知識を認識できるネガティブなシグナルを適応的に受信し、最終的にレコメンダを訓練する潜在的なネガティブアイテムを生成します。
KGPolicy を用いた行列分解(MF)モデルを用いて,DNS や IRGAN のような最先端サンプリング手法と KGAT のような KG 強化レコメンデータモデルの両方に対して,大幅な改善を実現した。
異なる角度からのさらなる分析は、知識認識サンプリングの洞察を提供する。
コードとデータセットはhttps://github.com/xiangwang1223/kgpolicyでリリースします。
関連論文リスト
- TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation [1.5836776102398225]
実世界におけるKGの実体の長期分布とノイズ問題により、アイテム・エンティリティ依存関係は真の特性を反映しない。
我々はTDCL(Two-Level Debiased Contrastive Learning)を設計し、知識グラフに展開する。
オープンソースデータセットに関する検討実験により,提案手法は優れたアンチノイズ性能を有することが示された。
論文 参考訳(メタデータ) (2023-10-01T03:56:38Z) - Neighborhood-based Hard Negative Mining for Sequential Recommendation [14.66576013324401]
ネガティブサンプリングは、シーケンシャルレコメンデーションモデルのトレーニングにおいて重要な役割を果たす。
本稿では, ユーザ行動に隠された構造情報を負のマイニングに活用するために, 近傍オーバーラップ(GNNO)に基づくグラフベースの負のサンプリング手法を提案する。
論文 参考訳(メタデータ) (2023-06-12T12:28:54Z) - Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。
アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。
4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文 参考訳(メタデータ) (2022-08-07T05:44:13Z) - Language Model-driven Negative Sampling [8.299192665823542]
知識グラフ埋め込み(KGE)は、究極の下流タスク(リンク予測、質問応答)の表現学習と推論を目的として、知識グラフ(KG)の実体と関係をベクトル空間に符号化する。
KGE はクローズドワールドの仮定に従い、KG の現在のすべての事実を正(正)であると仮定するので、既存の三重項の真性テストの学習過程において、負のサンプルを必要とする。
そこで本稿では,KGsにおける既存のリッチテキスト知識を考慮したネガティブサンプリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-09T13:27:47Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳(メタデータ) (2021-08-26T16:19:59Z) - Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。
トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
論文 参考訳(メタデータ) (2021-05-27T08:38:29Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳(メタデータ) (2021-02-09T20:28:35Z) - Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。
我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。
提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
論文 参考訳(メタデータ) (2020-05-20T06:25:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。