論文の概要: Genetic Meta-Structure Search for Recommendation on Heterogeneous Information Network

• arxiv url: http://arxiv.org/abs/2102.10550v1
• Date: Sun, 21 Feb 2021 08:29:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 14:34:06.772756
• Title: Genetic Meta-Structure Search for Recommendation on Heterogeneous Information Network
• Title（参考訳）: 不均質情報ネットワークにおけるレコメンデーションの遺伝的メタ構造探索
• Authors: Zhenyu Han, Fengli Xu, Jinghan Shi, Yu Shang, Haorui Ma, Pan Hui, Yong Li
• Abstract要約: 異種情報ネットワーク(HIN)におけるメタ構造設計の自動最適化のための遺伝的メタ構造探索(GEMS)を提案する。 GEMSは、推奨のために意味のあるメタ構造を検索する並列遺伝的アルゴリズムを採用し、検索空間を効率的に探索する専用のルールとメタ構造予測器を設計します。
• 参考スコア（独自算出の注目度）: 13.611161754155642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the past decade, the heterogeneous information network (HIN) has become an important methodology for modern recommender systems. To fully leverage its power, manually designed network templates, i.e., meta-structures, are introduced to filter out semantic-aware information. The hand-crafted meta-structure rely on intense expert knowledge, which is both laborious and data-dependent. On the other hand, the number of meta-structures grows exponentially with its size and the number of node types, which prohibits brute-force search. To address these challenges, we propose Genetic Meta-Structure Search (GEMS) to automatically optimize meta-structure designs for recommendation on HINs. Specifically, GEMS adopts a parallel genetic algorithm to search meaningful meta-structures for recommendation, and designs dedicated rules and a meta-structure predictor to efficiently explore the search space. Finally, we propose an attention based multi-view graph convolutional network module to dynamically fuse information from different meta-structures. Extensive experiments on three real-world datasets suggest the effectiveness of GEMS, which consistently outperforms all baseline methods in HIN recommendation. Compared with simplified GEMS which utilizes hand-crafted meta-paths, GEMS achieves over $6\%$ performance gain on most evaluation metrics. More importantly, we conduct an in-depth analysis on the identified meta-structures, which sheds light on the HIN based recommender system design.
• Abstract（参考訳）: 過去10年間で、異種情報ネットワーク(HIN)は現代のレコメンデーターシステムにとって重要な方法論となっている。 そのパワーをフル活用するために、手動設計のネットワークテンプレート、すなわちメタ構造を導入し、セマンティック・アウェア情報をフィルタリングする。 手作りのメタ構造は、労力とデータに依存した高度な専門家の知識に依存している。 一方、メタ構造の数は、そのサイズとノードタイプ数によって指数関数的に増加するため、ブルートフォース検索は禁止される。 これらの課題に対処するために、HINの推薦のためのメタ構造設計を自動的に最適化する遺伝的メタ構造探索(GEMS)を提案する。 具体的には、GEMSは、推奨のために意味のあるメタ構造を探索する並列遺伝的アルゴリズムを採用し、検索空間を効率的に探索する専用のルールとメタ構造予測器を設計します。 最後に,様々なメタ構造から情報を動的に融合するマルチビューグラフ畳み込みネットワークモジュールを提案する。 3つの実世界のデータセットに対する大規模な実験は、GEMSの有効性を示唆している。 手作業によるメタパスを利用する簡略化されたGEMSと比較して、GEMSはほとんどの評価指標で$ 6\%$パフォーマンス向上を達成します。 より重要なことは、hinベースのレコメンダシステム設計に光を当てる、特定されたメタ構造に関する詳細な分析を行います。

関連論文リスト

• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Meta-multigraph Search: Rethinking Meta-structure on Heterogeneous Information Networks [18.104982772430102]
  本稿では,メタパスやメタグラフなどの既存のメタ構造について検討し,当初は手動で定型パターンで設計されていることを観察する。 メタグラフのより表現的かつ柔軟な一般化としてメタマルチグラフという新しい概念を提案する。 メタマルチグラフの柔軟性は冗長メッセージを伝播する可能性があるため、複素整合(C2C)メタマルチグラフを導入する。
  論文  参考訳（メタデータ） (2023-04-23T08:15:20Z)
• LasUIE: Unifying Information Extraction with Latent Adaptive Structure-aware Generative Language Model [96.889634747943]
  全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。 UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。 7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
  論文  参考訳（メタデータ） (2023-04-13T04:01:14Z)
• Differentiable Meta Multigraph Search with Partial Message Propagation on Heterogeneous Information Networks [18.104982772430102]
  異種情報ネットワーク(HIN)上でのニューラルネットワーク設計を自動的に最適化するPMMM(Partial Message Meta Multigraph Search)を提案する。 PMMMは、意味のあるメタマルチグラフを探すために効率的な微分可能なフレームワークを採用しており、メタグラフよりも柔軟で複雑なセマンティックな関係を捉えることができる。 我々の手法は、最先端の異種GNNより優れ、意味のあるメタマルチグラフを見つけ、より安定している。
  論文  参考訳（メタデータ） (2022-11-27T07:35:42Z)
• Reinforced Meta-path Selection for Recommendation on Heterogeneous Information Networks [18.35398976265591]
  異種情報ネットワーク(HIN)は、様々な種類のエンティティ間の複雑な関係をキャプチャする。 既存のレコメンデーションアルゴリズムでは、手作りのメタパスを使用して、ネットワークから意味情報を抽出する。 効果的なメタパスを選択するための強化学習に基づくメタパス選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-23T21:03:00Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
  我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。 軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。 この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
  論文  参考訳（メタデータ） (2021-09-27T08:50:37Z)
• mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for Heterogeneous Information Network Embedding [15.400191040779376]
  不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。 従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。 mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
  論文  参考訳（メタデータ） (2021-04-06T11:35:56Z)
• Reinforcement Learning Enhanced Heterogeneous Graph Neural Network [13.720544777078642]
  ヘテロジニアス・インフォメーション・ネットワーク(HIN)におけるノードの異なるメタパスを設計するための強化学習強化ヘテロジニアス・グラフ・ニューラルネット(RL-HGNN)を提案する。 具体的には、RL-HGNNは、メタパス設計プロセスをマルコフ決定プロセスとしてモデル化し、ポリシーネットワークを使用して各ノードのメタパスを適応的に設計し、その効果的な表現を学習する。 実験の結果、RL-HGNNの有効性が示され、人間の知識によって無視された有意義なメタパスを識別できることが判明した。
  論文  参考訳（メタデータ） (2020-10-26T17:22:24Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。