論文の概要: Hierarchical BiGraph Neural Network as Recommendation Systems
- arxiv url: http://arxiv.org/abs/2007.16000v1
- Date: Mon, 27 Jul 2020 18:01:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:21:02.110536
- Title: Hierarchical BiGraph Neural Network as Recommendation Systems
- Title(参考訳): 推薦システムとしての階層型bigraphニューラルネットワーク
- Authors: Dom Huh
- Abstract要約: 本稿では,GNNをレコメンデーションシステムとして使用し,ビグラフフレームワークを用いてユーザイテム機能を構築する階層的アプローチを提案する。
実験の結果,現在の推薦システム手法と伝達性との競合性能が示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks emerge as a promising modeling method for applications
dealing with datasets that are best represented in the graph domain. In
specific, developing recommendation systems often require addressing sparse
structured data which often lacks the feature richness in either the user
and/or item side and requires processing within the correct context for optimal
performance. These datasets intuitively can be mapped to and represented as
networks or graphs. In this paper, we propose the Hierarchical BiGraph Neural
Network (HBGNN), a hierarchical approach of using GNNs as recommendation
systems and structuring the user-item features using a bigraph framework. Our
experimental results show competitive performance with current recommendation
system methods and transferability.
- Abstract(参考訳): グラフニューラルネットワークは、グラフドメインで最もよく表現されるデータセットを扱うアプリケーションの有望なモデリング手法として登場します。
具体的には、開発レコメンデーションシステムは、しばしば、ユーザーまたはアイテムの双方で機能豊かさに欠け、最適なパフォーマンスのために適切なコンテキスト内での処理を必要とするスパース構造化データに対処する必要がある。
これらのデータセットは直感的にネットワークやグラフにマッピングされ、表現することができる。
本稿では,GNNをレコメンデーションシステムとして使用し,ビグラフフレームワークを用いたユーザイテム機能を構築する階層型バイグラフニューラルネットワーク(HBGNN)を提案する。
実験の結果,提案手法と伝達性との競合性能が示された。
関連論文リスト
- Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳(メタデータ) (2025-01-01T08:48:53Z) - TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。
提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文 参考訳(メタデータ) (2024-11-23T05:31:25Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Preference and Concurrence Aware Bayesian Graph Neural Networks for
Recommender Systems [5.465420718331109]
グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。
本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
論文 参考訳(メタデータ) (2023-11-30T11:49:33Z) - 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) - GPN: A Joint Structural Learning Framework for Graph Neural Networks [36.38529113603987]
グラフ構造と下流タスクを同時に学習するGNNベースの共同学習フレームワークを提案する。
本手法は,この課題を解決するためのGNNベースの二段階最適化フレームワークである。
論文 参考訳(メタデータ) (2022-05-12T09:06:04Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Attention-Based Recommendation On Graphs [9.558392439655012]
グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著なパフォーマンスを示している。
本研究では,モデルベースレコメンデータシステムとしてGARecを提案する。
提案手法は,既存のモデルベース非グラフニューラルネットワークとグラフニューラルネットワークを異なるMovieLensデータセットで比較した。
論文 参考訳(メタデータ) (2022-01-04T21:02:02Z) - Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。
より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文 参考訳(メタデータ) (2021-03-05T10:46:16Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z)
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。