論文の概要: Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2003.13345v2
• Date: Mon, 1 Feb 2021 15:30:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 06:32:52.304217
• Title: Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering
• Title（参考訳）: 信頼に基づく協調フィルタリングのためのグラフ埋め込みの実証比較
• Authors: Tomislav Duricic, Hussain Hussain, Emanuel Lacic, Dominik Kowald, Denis Helic, Elisabeth Lex
• Abstract要約: 信頼に基づく協調フィルタリングのための潜在ユーザ表現を生成するためのグラフ埋め込みの有用性について検討する。 i)因子化に基づく方法,(ii)ランダムウォークに基づく方法,(iii)ディープラーニングに基づく方法,(iv)大規模情報ネットワーク埋め込み(LINE)アプローチの4つの方法群からアプローチを評価する。
• 参考スコア（独自算出の注目度）: 1.0276024900942873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we study the utility of graph embeddings to generate latent user representations for trust-based collaborative filtering. In a cold-start setting, on three publicly available datasets, we evaluate approaches from four method families: (i) factorization-based, (ii) random walk-based, (iii) deep learning-based, and (iv) the Large-scale Information Network Embedding (LINE) approach. We find that across the four families, random-walk-based approaches consistently achieve the best accuracy. Besides, they result in highly novel and diverse recommendations. Furthermore, our results show that the use of graph embeddings in trust-based collaborative filtering significantly improves user coverage.
• Abstract（参考訳）: 本研究では,信頼に基づく協調フィルタリングのための潜在ユーザ表現を生成するためのグラフ埋め込みの有用性について検討する。 コールドスタート設定では、公開されている3つのデータセットに基づいて、4つのメソッドファミリーからのアプローチを評価する。 (i)因子化に基づく (ii)ランダムウォークベース。 (iii)深層学習ベース、及び (iv)大規模情報ネットワーク埋め込み(line)アプローチ。 4つのファミリーで、ランダムウォークに基づくアプローチは、常に最高の精度を達成する。 さらに、非常に斬新で多様なレコメンデーションも生み出す。 さらに,信頼度に基づく協調フィルタリングにおけるグラフ埋め込みの利用は,ユーザカバレッジを著しく向上させることを示す。

関連論文リスト

• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Reconstruction of gene regulatory network via sparse optimization [0.0]
  規制ネットワークの20%を事前の既知のデータとして導入することで、推論アルゴリズムのパラメータ選択の基盤となることが判明した。 DREAM5データセットの実験では、モデレーション関係のスパース最適化に基づく推論がうまく機能していることが示されている。 投票アルゴリズムは4つのデータセットのうち3つで最良の結果を得る。
  論文  参考訳（メタデータ） (2022-11-11T07:57:59Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Revisiting Neighborhood-based Link Prediction for Collaborative Filtering [3.7403495150710384]
  協調フィルタリングはレコメンデーションシステムにおいて最も成功し基礎的な手法の1つである。 両部グラフの新しいリンク(接続性)スコアを提案し、複数の標準リンク予測手法を一般化する。 提案手法は,既存のGNNベースのCFアプローチを,広く使用されている4つのベンチマークで大幅に上回っている。
  論文  参考訳（メタデータ） (2022-03-29T17:48:05Z)
• Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning [29.482674624323835]
  そこで我々は,NCL(Nighborhood-enriched Contrastive Learning)という新しいコントラスト学習手法を提案する。 相互作用グラフ上の構造的隣人に対しては、ユーザ(またはアイテム)とその構造的隣人を正のコントラスト的対とみなす新しい構造的対照的な目的を開発する。 実装では、ユーザ(またはアイテム)と隣人の表現は異なるGNN層の出力に対応する。
  論文  参考訳（メタデータ） (2022-02-13T04:18:18Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)
• Probabilistic Metric Learning with Adaptive Margin for Top-K Recommendation [40.80017379274105]
  いくつかの新しい側面を持つ距離ベースレコメンデーションモデルを開発する。 提案モデルは、Top-Kレコメンデーションのrecall@Kの点で、最高の既存のモデルを4-22%上回る。
  論文  参考訳（メタデータ） (2021-01-13T03:11:04Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。