論文の概要: Localized Graph Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2108.04475v1
• Date: Tue, 10 Aug 2021 06:48:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:17:14.674526
• Title: Localized Graph Collaborative Filtering
• Title（参考訳）: 局所化グラフ協調フィルタリング
• Authors: Yiqi Wang, Chaozhuo Li, Mingzheng Li, Wei Jin, Yuming Liu, Hao Sun, Xing Xie
• Abstract要約: 推薦のためのGNNベースのCFメソッドを構築するための新しい視点を紹介する。 LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。 各種データセットの実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。
• 参考スコア（独自算出の注目度）: 20.868562372148677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User-item interactions in recommendations can be naturally de-noted as a user-item bipartite graph. Given the success of graph neural networks (GNNs) in graph representation learning, GNN-based C methods have been proposed to advance recommender systems. These methods often make recommendations based on the learned user and item embeddings. However, we found that they do not perform well wit sparse user-item graphs which are quite common in real-world recommendations. Therefore, in this work, we introduce a novel perspective to build GNN-based CF methods for recommendations which leads to the proposed framework Localized Graph Collaborative Filtering (LGCF). One key advantage of LGCF is that it does not need to learn embeddings for each user and item, which is challenging in sparse scenarios. Alternatively, LGCF aims at encoding useful CF information into a localized graph and making recommendations based on such graph. Extensive experiments on various datasets validate the effectiveness of LGCF especially in sparse scenarios. Furthermore, empirical results demonstrate that LGCF provides complementary information to the embedding-based CF model which can be utilized to boost recommendation performance.
• Abstract（参考訳）: レコメンデーションにおけるユーザとイテムの相互作用は、自然にユーザとイテムの2部グラフとして記述できる。 グラフ表現学習におけるグラフニューラルネットワーク(GNN)の成功を踏まえ、GNNベースのC手法はレコメンデータシステムを推進するために提案されている。 これらのメソッドは、学習したユーザとアイテムの埋め込みに基づいて推奨することが多い。 しかし,実世界のレコメンデーションではよく見られるような,スリムなユーザ・テーマグラフはうまく動作しないことがわかった。 そこで本研究では,提案フレームワークのローカライズグラフ協調フィルタリング(lgcf)に繋がるレコメンデーションのためのgnnベースのcfメソッドを構築するための新しい視点を提案する。 LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。 あるいはlgcfは、有用なcf情報をローカライズされたグラフにエンコードし、そのようなグラフに基づいて推奨することを目指している。 各種データセットに対する大規模な実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。 さらに,LGCFは組込み型CFモデルに補完的な情報を提供し,レコメンデーション性能の向上に有効であることを示す。

関連論文リスト

• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• On Manipulating Signals of User-Item Graph: A Jacobi Polynomial-based Graph Collaborative Filtering [45.75671148689973]
  グラフ協調(CF)はレコメンダシステムにおいて重要な研究方向である。 本稿では,グラフフィルタが性能向上のために考慮すべき重要な要素について分析する。 Jacobiベースとフィルタリング周波数分解戦略に基づいてJGCFを設計し、Alibaba-iFashionで27.06%のパフォーマンス向上を実現した。
  論文  参考訳（メタデータ） (2023-06-06T12:22:09Z)
• 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)
• 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)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• 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)
• User Embedding based Neighborhood Aggregation Method for Inductive Recommendation [0.48598200320383667]
  我々は,ユーザとアイテムの潜在機能(組込み)を推薦設定で学習する問題を考える。 グラフ畳み込みネットワーク(例:LightGCN)を用いた最近の手法は最先端の性能を達成する。 協調フィルタCF-GCNのためのグラフ畳み込みネットワークモデリング手法を提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:30:01Z)
• LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation [100.76229017056181]
  Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。 本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。 我々は,光GCNと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-06T06:53:42Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。