論文の概要: A Graph Neural Network Approach for Product Relationship Prediction
- arxiv url: http://arxiv.org/abs/2105.05881v1
- Date: Wed, 12 May 2021 18:18:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 13:54:38.928027
- Title: A Graph Neural Network Approach for Product Relationship Prediction
- Title（参考訳）: 製品関係予測のためのグラフニューラルネットワークアプローチ
- Authors: Faez Ahmed, Yaxin Cui, Yan Fu, Wei Chen
- Abstract要約: GraphSAGEと呼ばれる誘導グラフニューラルネットワークアプローチが、ノードとエッジの連続表現を効率的に学習する方法を示す。
中国自動車市場のケーススタディを用いて,提案手法が予測性能を2倍にすることを確認した。
- 参考スコア（独自算出の注目度）: 10.404936340171384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks have revolutionized many machine learning tasks in
recent years, ranging from drug discovery, recommendation systems, image
classification, social network analysis to natural language understanding. This
paper shows their efficacy in modeling relationships between products and
making predictions for unseen product networks. By representing products as
nodes and their relationships as edges of a graph, we show how an inductive
graph neural network approach, named GraphSAGE, can efficiently learn
continuous representations for nodes and edges. These representations also
capture product feature information such as price, brand, or engineering
attributes. They are combined with a classification model for predicting the
existence of the relationship between products. Using a case study of the
Chinese car market, we find that our method yields double the prediction
performance compared to an Exponential Random Graph Model-based method for
predicting the co-consideration relationship between cars. While a vanilla
GraphSAGE requires a partial network to make predictions, we introduce an
`adjacency prediction model' to circumvent this limitation. This enables us to
predict product relationships when no neighborhood information is known.
Finally, we demonstrate how a permutation-based interpretability analysis can
provide insights on how design attributes impact the predictions of
relationships between products. This work provides a systematic method to
predict the relationships between products in many different markets.
- Abstract（参考訳）: グラフニューラルネットワークは近年、薬物発見、レコメンデーションシステム、画像分類、ソーシャルネットワーク分析、自然言語理解など、多くの機械学習タスクに革命をもたらした。
本稿では,製品間の関係をモデル化し,製品ネットワークにおける予測を行う上での有効性を示す。
プロダクトをノードとして表現し、それらの関係をグラフのエッジとして表現することにより、誘導型グラフニューラルネットワークアプローチであるGraphSAGEが、ノードとエッジの連続表現を効率的に学習できることを示す。
これらの表現は、価格、ブランド、エンジニアリング属性などの製品の特徴情報もキャプチャする。
これらは製品間の関係の存在を予測するための分類モデルと組み合わされる。
提案手法は,中国自動車市場を事例として,指数関数的ランダムグラフモデルに基づく予測手法と比較して,予測性能が2倍になることを示す。
バニラグラフSAGEは、予測を行うために部分的なネットワークを必要とするが、この制限を回避するために 'adjacency prediction model' を導入する。
これにより、近隣情報がない場合に製品関係を予測することができる。
最後に、置換に基づく解釈可能性分析が、デザイン属性が製品間の関係の予測にどのように影響するかを示す。
この研究は、様々な市場で製品間の関係を予測する体系的な手法を提供する。
関連論文リスト
- Multi-Relational Graph Neural Network for Out-of-Domain Link Prediction [12.475382123139024]
本稿では,領域外一般化問題に対処するため,GOODと呼ばれる新しいグラフニューラルネットワークモデルを提案する。
GOODは、既知の関係タイプから予測を効果的に一般化し、最先端の結果を得ることができる。
論文 参考訳（メタデータ） (2024-03-17T18:08:22Z) - Link Prediction for Social Networks using Representation Learning and
Heuristic-based Features [1.279952601030681]
ソーシャルネットワークのリンク不足を効率的に予測することは、現代の様々なビジネスアプリケーションに役立つ。
本稿では,ソーシャルネットワークにおけるノードとエッジの表現を生成するための様々な特徴抽出手法について検討する。
論文 参考訳（メタデータ） (2024-03-13T15:23:55Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2022-12-31T10:07:19Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Exploring and mining attributed sequences of interactions [0.1933681537640272]
私たちはインタラクションをストリームグラフとしてモデル化します。
ラベル付きストリームグラフ上に閉じたパターンを列挙するアルゴリズムを導入し、関連する閉じたパターンを選択する方法を導入する。
学生間の相互作用と著者間の引用の2つの実世界のデータセットについて実験を行った。
論文 参考訳（メタデータ） (2021-07-28T12:53:46Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z)
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。