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

• Unifying Graph Convolution and Contrastive Learning in Collaborative Filtering [33.4238287258316]
  グラフベースのモデルと対照的な学習は、協調フィルタリングにおいて顕著な手法として現れてきた。 本稿では,グラフモデルの重要な要素であるグラフ畳み込みと,理論的枠組みによる対照的な学習を橋渡しする。 本稿では,単純なコントラスト型協調フィルタリング(SCCF)を提案する。
  論文  参考訳（メタデータ） (2024-06-20T04:50:28Z)
• FourierKAN-GCF: Fourier Kolmogorov-Arnold Network -- An Effective and Efficient Feature Transformation for Graph Collaborative Filtering [16.894095429454598]
  本稿では,FourierKAN-GCFと呼ばれる簡易かつ効果的なグラフベースレコメンデーションモデルを提案する。 我々は、モデルの表現力と堅牢性を改善するために、メッセージドロップアウトとノードドロップアウト戦略を採用しています。
  論文  参考訳（メタデータ） (2024-06-03T06:36:04Z)
• Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation [9.582288420754152]
  Turbo-CF は GF ベースのグラフフィルタであり、トレーニングフリーかつ行列分解フリーである。 実世界のベンチマークデータセットで1秒未満のランタイムを実現するため,Turbo-CFは非常に高速かつ正確であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T14:56:36Z)
• How Does Message Passing Improve Collaborative Filtering? [49.019075781827034]
  協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。 テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
  論文  参考訳（メタデータ） (2024-03-27T18:53:04Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  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 [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)
• 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)
• 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)
• 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。