論文の概要: Graph Convolutional Embeddings for Recommender Systems

• arxiv url: http://arxiv.org/abs/2103.03587v1
• Date: Fri, 5 Mar 2021 10:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-08 14:45:21.335065
• Title: Graph Convolutional Embeddings for Recommender Systems
• Title（参考訳）: リコメンダシステムのためのグラフ畳み込み埋め込み
• Authors: Paula G\'omez Duran, Alexandros Karatzoglou, Jordi Vitri\`a, Xin Xin, Ioannis Arapakis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.5973695167534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern recommender systems (RS) work by processing a number of signals that can be inferred from large sets of user-item interaction data. The main signal to analyze stems from the raw matrix that represents interactions. However, we can increase the performance of RS by considering other kinds of signals like the context of interactions, which could be, for example, the time or date of the interaction, the user location, or sequential data corresponding to the historical interactions of the user with the system. These complex, context-based interaction signals are characterized by a rich relational structure that can be represented by a multi-partite graph. Graph Convolutional Networks (GCNs) have been used successfully in collaborative filtering with simple user-item interaction data. In this work, we generalize the use of GCNs for N-partite graphs by considering N multiple context dimensions and propose a simple way for their seamless integration in modern deep learning RS architectures. More specifically, we define a graph convolutional embedding layer for N-partite graphs that processes user-item-context interactions, and constructs node embeddings by leveraging their relational structure. Experiments on several datasets from recommender systems to drug re-purposing show the benefits of the introduced GCN embedding layer by measuring the performance of different context-enriched tasks.
• Abstract（参考訳）: 現代のレコメンダーシステム(RS)は、大量のユーザーとアイテムの相互作用データから推測できる多くの信号を処理することによって機能します。 分析する主な信号は、相互作用を表す生の行列に由来する。 しかし,インタラクションのコンテキスト,例えばインタラクションの日時,ユーザ位置,ユーザとシステムとの歴史的なインタラクションに対応するシーケンシャルなデータなど,他の種類の信号を考慮することで,RSの性能を向上させることができる。 これらの複雑なコンテキストベースの相互作用信号は、多部グラフで表現できるリッチリレーショナル構造によって特徴づけられる。 グラフ畳み込みネットワーク(GCN)は、単純なユーザー項目の相互作用データとの協調フィルタリングに成功した。 本研究では,N 個のコンテキスト次元を考慮した N 個のグラフに対する GCN の利用を一般化し,現代のディープラーニング RS アーキテクチャにおけるそれらのシームレスな統合方法を提案する。 より具体的には、ユーザ間相互作用を処理するn成分グラフのグラフ畳み込み層を定義し、それらの関係構造を利用してノード埋め込みを構成する。 レコメンダーシステムから薬物再購入までのいくつかのデータセットに関する実験は、異なるコンテキスト強化タスクのパフォーマンスを測定することによって導入されたGCN埋め込みレイヤの利点を示しています。

関連論文リスト

• CombiGCN: An effective GCN model for Recommender System [0.0]
  グラフニューラルネットワーク(GNN)は、協調フィルタリング(CF)研究の潜在的ラインを開く。 本稿では,ユーザ・イテム相互作用グラフ上にのみアイテムの埋め込みを線形に伝播させるリコメンデーションフレームワークCombiGCNを提案する。 また,実世界の3つのデータセット上で,CombiGCNと最先端モデルを比較検討した。
  論文  参考訳（メタデータ） (2025-03-27T13:03:27Z)
• 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)
• 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)
• Graph Ordering Attention Networks [22.468776559433614]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Multi-Behavior Enhanced Recommendation with Cross-Interaction Collaborative Relation Modeling [42.6279077675585]
  本稿では,グラフニューラルマルチビヘイビア拡張レコメンデーションフレームワークを提案する。 グラフベースのメッセージパッシングアーキテクチャの下で、異なるタイプのユーザ-テムインタラクション間の依存関係を明示的にモデル化します。 実世界のレコメンデーションデータセットの実験は、GNMRが最先端の手法を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2022-01-07T03:12:37Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Hierarchical BiGraph Neural Network as Recommendation Systems [0.0]
  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。
  論文  参考訳（メタデータ） (2020-07-27T18:01:41Z)

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。