論文の概要: Graph Neural Networks in Recommender Systems: A Survey
- arxiv url: http://arxiv.org/abs/2011.02260v4
- Date: Sat, 2 Apr 2022 07:02:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 23:07:22.185410
- Title: Graph Neural Networks in Recommender Systems: A Survey
- Title（参考訳）: レコメンダシステムにおけるグラフニューラルネットワーク:調査
- Authors: Shiwen Wu, Fei Sun, Wentao Zhang, Xu Xie, Bin Cui
- Abstract要約: 推薦システムでは、インタラクションとサイド情報から効果的なユーザ/イテム表現を学習することが主な課題である。
近年,グラフニューラルネットワーク(GNN)技術はリコメンデータシステムで広く利用されている。
本稿は、GNNベースのレコメンデータシステムに関する最近の研究成果を包括的にレビューすることを目的としている。
- 参考スコア（独自算出の注目度）: 21.438347815928918
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the explosive growth of online information, recommender systems play a
key role to alleviate such information overload. Due to the important
application value of recommender systems, there have always been emerging works
in this field. In recommender systems, the main challenge is to learn the
effective user/item representations from their interactions and side
information (if any). Recently, graph neural network (GNN) techniques have been
widely utilized in recommender systems since most of the information in
recommender systems essentially has graph structure and GNN has superiority in
graph representation learning. This article aims to provide a comprehensive
review of recent research efforts on GNN-based recommender systems.
Specifically, we provide a taxonomy of GNN-based recommendation models
according to the types of information used and recommendation tasks. Moreover,
we systematically analyze the challenges of applying GNN on different types of
data and discuss how existing works in this field address these challenges.
Furthermore, we state new perspectives pertaining to the development of this
field. We collect the representative papers along with their open-source
implementations in https://github.com/wusw14/GNN-in-RS.
- Abstract（参考訳）: オンライン情報の爆発的な増加に伴い、リコメンダシステムはそのような情報の過負荷を軽減する重要な役割を果たす。
レコメンダシステムの重要な応用価値のために、この分野では常に新しい動きが生まれています。
レコメンデーションシステムでは、インタラクションとサイド情報(もしあれば)から効果的なユーザ/イテム表現を学ぶことが主な課題である。
近年、グラフニューラルネットワーク(GNN)技術は、リコメンデータシステムにおける情報の多くは基本的にグラフ構造を持ち、GNNはグラフ表現学習において優れているため、リコメンデータシステムで広く利用されている。
本稿では,GNNベースのレコメンデータシステムに関する最近の研究成果を概観する。
具体的には,GNNに基づくレコメンデーションモデルの分類を,情報の種類やレコメンデーションタスクに応じて提供する。
さらに,異なるタイプのデータにGNNを適用する際の課題を体系的に分析し,これらの課題に対して,この分野における既存の作業方法について議論する。
さらに,この分野の発展に関する新たな視点を述べる。
我々は代表論文とオープンソース実装をhttps://github.com/wusw14/GNN-in-RSで収集する。
関連論文リスト
- A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph [14.12873271435375]
グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションにおいて大きな成功を収めている。
本稿では,GNNをベースとしたレコメンデーションに対する新たな評価視点を提案し,グラフトポロジがレコメンデーション性能に与える影響について検討する。
論文 参考訳（メタデータ） (2024-08-21T16:34:53Z) - Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。
近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。
我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
論文 参考訳（メタデータ） (2024-02-21T17:58:10Z) - Reviewing Developments of Graph Convolutional Network Techniques for
Recommendation Systems [1.2277343096128712]
本稿では,グラフニューラルネットワークに基づくリコメンデータシステムに関する最近の文献をレビューする。
我々は、グラフニューラルネットワークをレコメンデーションシステムに組み込むことの動機を探る。
論文 参考訳（メタデータ） (2023-11-10T12:11:36Z) - Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。
GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。
以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-09-12T09:18:12Z) - Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems [4.026354668375411]
本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
論文 参考訳（メタデータ） (2023-02-21T09:47:27Z) - An Adaptive Graph Pre-training Framework for Localized Collaborative
Filtering [79.17319280791237]
局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。
ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。
ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
論文 参考訳（メタデータ） (2021-12-14T06:53:13Z) - 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) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳（メタデータ） (2021-08-12T06:09:18Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。