論文の概要: Graph Trend Networks for Recommendations

• arxiv url: http://arxiv.org/abs/2108.05552v1
• Date: Thu, 12 Aug 2021 06:09:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 14:41:44.739521
• Title: Graph Trend Networks for Recommendations
• Title（参考訳）: 推薦のためのグラフトレンドネットワーク
• Authors: Wenqi Fan, Xiaorui Liu, Wei Jin, Xiangyu Zhao, Jiliang Tang, Qing Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 34.06649831739749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems aim to provide personalized services to users and are playing an increasingly important role in our daily lives. The key of recommender systems is to predict how likely users will interact with items based on their historical online behaviors, e.g., clicks, add-to-cart, purchases, etc. To exploit these user-item interactions, there are increasing efforts on considering the user-item interactions as a user-item bipartite graph and then performing information propagation in the graph via Graph Neural Networks (GNNs). Given the power of GNNs in graph representation learning, these GNN-based recommendation methods have remarkably boosted the recommendation performance. Despite their success, most existing GNN-based recommender systems overlook the existence of interactions caused by unreliable behaviors (e.g., random/bait clicks) and uniformly treat all the interactions, which can lead to sub-optimal and unstable performance. In this paper, we investigate the drawbacks (e.g., non-adaptive propagation and non-robustness) of existing GNN-based recommendation methods. To address these drawbacks, we propose the Graph Trend Networks for recommendations (GTN) with principled designs that can capture the adaptive reliability of the interactions. Comprehensive experiments and ablation studies are presented to verify and understand the effectiveness of the proposed framework. Our implementation and datasets can be released after publication.
• Abstract（参考訳）: Recommenderのシステムは、パーソナライズされたサービスをユーザに提供し、私たちの日常生活においてますます重要な役割を担っている。 推薦システムの鍵は、ユーザーが過去のオンライン行動、例えばクリック、車への追加、購入など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。 これらのユーザ間インタラクションを利用するため、ユーザ間インタラクションをユーザ間2部グラフとして考慮し、グラフニューラルネットワーク(gnns)を介してグラフ内の情報伝達を行う取り組みが増えている。 グラフ表現学習におけるGNNの能力を考えると、これらのGNNベースのレコメンデーション手法はリコメンデーション性能を大幅に向上させた。 その成功にもかかわらず、既存のGNNベースのレコメンダシステムは、信頼できない振る舞い(例えばランダム/ベイトクリック)によって引き起こされる相互作用の存在を見逃し、全ての相互作用を均一に扱い、それが準最適で不安定なパフォーマンスをもたらす。 本稿では,既存のGNNレコメンデーション手法の欠点(例えば,非適応伝搬と非ロマンス性)について検討する。 これらの欠点に対処するため,我々はgtn(graph trend network for recommendations)を提案する。 提案フレームワークの有効性を検証するための総合的な実験とアブレーション研究を行った。 実装とデータセットは公開後にリリースできます。

関連論文リスト

• 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)
• Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
  グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。 本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T11:49:33Z)
• 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)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• 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)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• Collaboration-Aware Graph Convolutional Networks for Recommendation Systems [14.893579746643814]
  グラフニューラルネットワーク(GNN)はレコメンデーションシステムでうまく採用されている。 メッセージパッシングは、埋め込みプロセスに協調的な効果を暗黙的に注入する。 メッセージパッシングが協調的な効果をいかに捉えているのかを包括的に調査する研究はない。 我々は、推薦調整されたGNN、Augmented Collaboration-Aware Graph Conal Network (CAGCN*)を提案する。
  論文  参考訳（メタデータ） (2022-07-03T18:03:46Z)
• 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)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)

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。