論文の概要: How Powerful is Graph Convolution for Recommendation?
- arxiv url: http://arxiv.org/abs/2108.07567v1
- Date: Tue, 17 Aug 2021 11:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:04:00.593753
- Title: How Powerful is Graph Convolution for Recommendation?
- Title(参考訳): 推奨のためのグラフの畳み込みはどの程度強力か?
- Authors: Yifei Shen, Yongji Wu, Yao Zhang, Caihua Shan, Jun Zhang, Khaled B.
Letaief, Dongsheng Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 21.850817998277158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph convolutional networks (GCNs) have recently enabled a popular class of
algorithms for collaborative filtering (CF). Nevertheless, the theoretical
underpinnings of their empirical successes remain elusive. In this paper, we
endeavor to obtain a better understanding of GCN-based CF methods via the lens
of graph signal processing. By identifying the critical role of smoothness, a
key concept in graph signal processing, we develop a unified graph
convolution-based framework for CF. We prove that many existing CF methods are
special cases of this framework, including the neighborhood-based methods,
low-rank matrix factorization, linear auto-encoders, and LightGCN,
corresponding to different low-pass filters. Based on our framework, we then
present a simple and computationally efficient CF baseline, which we shall
refer to as Graph Filter based Collaborative Filtering (GF-CF). Given an
implicit feedback matrix, GF-CF can be obtained in a closed form instead of
expensive training with back-propagation. Experiments will show that GF-CF
achieves competitive or better performance against deep learning-based methods
on three well-known datasets, notably with a $70\%$ performance gain over
LightGCN on the Amazon-book dataset.
- Abstract(参考訳): graph convolutional networks(gcns)は最近、コラボレーティブフィルタリング(cf)のための一般的なアルゴリズムクラスを有効にした。
それでも、彼らの経験的成功の理論的基盤は解明され続けている。
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。
グラフ信号処理における重要な概念である滑らかさの重要役割を明らかにすることにより、cfのための統一グラフ畳み込みベースのフレームワークを開発した。
本稿では,既存のcf法の多くが,近傍法,低ランク行列因子分解法,線形オートエンコーダ法,光gcn法など,この枠組みの特別な場合であることを示す。
そこで我々は,グラフフィルタに基づく協調フィルタリング(GF-CF)と呼ぶ,シンプルで効率的なCFベースラインを提案する。
暗黙のフィードバック行列が与えられると、gf-cfはバックプロパゲーションを伴う高価なトレーニングではなく、閉じた形式で得られる。
実験の結果、GF-CFは、よく知られた3つのデータセット上のディープラーニングベースのメソッドに対して、競争力またはより良いパフォーマンスを実現している。
関連論文リスト
- Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳(メタデータ) (2023-12-19T18:00:15Z) - From Cluster Assumption to Graph Convolution: Graph-based
Semi-Supervised Learning Revisited [54.30029041452624]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文 参考訳(メタデータ) (2023-09-24T10:10:21Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and
Reproducibility-driven Analysis [69.46993865095247]
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) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。
HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。
提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文 参考訳(メタデータ) (2022-04-26T10:06:04Z) - MGDCF: Distance Learning via Markov Graph Diffusion for Neural
Collaborative Filtering [96.65234340724237]
現状のGNNベースCFモデルとコンテキスト符号化に基づく従来の1層NRLモデルとの等価性を示す。
マルコフグラフ拡散協調フィルタ (MGDCF) を用いて, 最先端のGNNベースCFモデルを一般化する。
論文 参考訳(メタデータ) (2022-04-05T17:24:32Z) - Localized Graph Collaborative Filtering [20.868562372148677]
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。
論文 参考訳(メタデータ) (2021-08-10T06:48:32Z) - RGCF: Refined Graph Convolution Collaborative Filtering with concise and
expressive embedding [42.46797662323393]
我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。
RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。
我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
論文 参考訳(メタデータ) (2020-07-07T12:26:10Z) - 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。