論文の概要: GLIMG: Global and Local Item Graphs for Top-N Recommender Systems

• arxiv url: http://arxiv.org/abs/2007.14018v3
• Date: Wed, 11 Aug 2021 15:29:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 03:05:00.695388
• Title: GLIMG: Global and Local Item Graphs for Top-N Recommender Systems
• Title（参考訳）: GLIMG:トップNレコメンダシステムのためのグローバルおよびローカル項目グラフ
• Authors: Zhuoyi Lin, Lei Feng, Rui Yin, Chi Xu, and Chee-Keong Kwoh
• Abstract要約: GLIMG(Global and Local IteM Graphs)と呼ばれる新しいグラフベースのレコメンデーションモデルを提案する。 グローバルグラフとローカルグラフを適応型半教師付き学習モデルに統合することにより、利用者のアイテムに対する好みをグローバルかつローカルに広める。 提案手法は,トップNレコメンデーションタスクにおける最先端技術よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 12.631785780195996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based recommendation models work well for top-N recommender systems due to their capability to capture the potential relationships between entities. However, most of the existing methods only construct a single global item graph shared by all the users and regrettably ignore the diverse tastes between different user groups. Inspired by the success of local models for recommendation, this paper provides the first attempt to investigate multiple local item graphs along with a global item graph for graph-based recommendation models. We argue that recommendation on global and local graphs outperforms that on a single global graph or multiple local graphs. Specifically, we propose a novel graph-based recommendation model named GLIMG (Global and Local IteM Graphs), which simultaneously captures both the global and local user tastes. By integrating the global and local graphs into an adapted semi-supervised learning model, users' preferences on items are propagated globally and locally. Extensive experimental results on real-world datasets show that our proposed method consistently outperforms the state-of-the art counterparts on the top-N recommendation task.
• Abstract（参考訳）: グラフベースのレコメンデーションモデルは、エンティティ間の潜在的な関係をキャプチャする能力のため、トップNレコメンデーションシステムではうまく機能する。 しかし、既存の手法のほとんどは、すべてのユーザが共有する単一のグローバルアイテムグラフのみを構築しており、異なるユーザグループ間の多様な好みを無視している。 本稿では,レコメンデーションのための局所モデルの成功に触発されて,複数の局所アイテムグラフとグラフベースのレコメンデーションモデルのためのグローバルアイテムグラフについて検討する最初の試みを示す。 グローバルグラフやローカルグラフの推奨は、単一のグローバルグラフや複数のローカルグラフよりも優れています。 具体的には,グローバルとローカルの両方のユーザの嗜好を同時に捉える,glimg(global and local item graphs)と呼ばれる新しいグラフベースのレコメンデーションモデルを提案する。 グローバルグラフとローカルグラフを適応型半教師付き学習モデルに統合することにより、利用者のアイテムに対する好みをグローバルかつローカルに広める。 実世界のデータセットに対する大規模な実験結果から,提案手法はトップNレコメンデーションタスクにおける最先端技術よりも一貫して優れていることが示された。

関連論文リスト

• Toward Personalized Federated Node Classification in One-shot Communication [27.325478113745206]
  ノード分類のための一括パーソナライズされたフェデレーショングラフ学習法を提案する。 提案手法は,サーバ上にグローバルな擬似グラフを構築するために,クラスワイズ特徴分布統計を推定し,集約する。 提案手法は様々な設定において最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2024-11-18T05:59:29Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• GraphWorld: Fake Graphs Bring Real Insights for GNNs [4.856486822139849]
  GraphWorldは、ユーザが何百万もの統計的に多様なデータセットで効率的に世界を生成することを可能にする。 数百万のベンチマークデータセットに対する数万のGNNモデルの性能特性について,GraphWorldの実験結果から考察した。
  論文  参考訳（メタデータ） (2022-02-28T22:00:02Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Node-wise Localization of Graph Neural Networks [52.04194209002702]
  グラフニューラルネットワーク(GNN)は、グラフ上の表現学習モデルの強力なファミリーとして出現する。 グラフのグローバルな側面とローカルな側面の両方を考慮し,GNNのノードワイドなローカライゼーションを提案する。 我々は,4つのベンチマークグラフに対して広範な実験を行い,最先端のGNNを超える有望な性能を継続的に獲得する。
  論文  参考訳（メタデータ） (2021-10-27T10:02:03Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• FedGL: Federated Graph Learning Framework with Global Self-Supervision [22.124339267195822]
  FedGLは、データプライバシを保護しながら、高品質なグローバルグラフモデルを取得することができる。 グローバルなセルフスーパービジョンにより、各クライアントの情報がプライバシー保護の方法で流れて共有できます。
  論文  参考訳（メタデータ） (2021-05-07T11:27:23Z)
• Bipartite Graph Embedding via Mutual Information Maximization [8.382665371140503]
  バイパートグラフの埋め込みは、様々なアプリケーションドメインで広く使われているため、多くの注目を集めている。 我々は,新しい局所的グローバルインフォマックス目標を導入することにより,このようなグローバル特性を捉えるためにbigiと呼ばれる2部グラフ埋め込みを提案する。 提案モデルは,top-kレコメンデーションとリンク予測のための様々なベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2020-12-10T04:03:39Z)

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。