論文の概要: SiReN: Sign-Aware Recommendation Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2108.08735v1
- Date: Thu, 19 Aug 2021 15:07:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-20 17:19:43.699516
- Title: SiReN: Sign-Aware Recommendation Using Graph Neural Networks
- Title（参考訳）: siren: グラフニューラルネットワークを用いたサインアウェアレコメンデーション
- Authors: Changwon Seo, Kyeong-Joong Jeong, Sungsu Lim, and Won-Yong Shin
- Abstract要約: 我々は,GNNモデルに基づく新しいサイン・アウェア・レコメンデータシステムSiReNを提案する。
SiReNは、最先端のNE支援レコメンデーションメソッドを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 6.739000442575012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, many recommender systems using network embedding (NE) such
as graph neural networks (GNNs) have been extensively studied in the sense of
improving recommendation accuracy. However, such attempts have focused mostly
on utilizing only the information of positive user-item interactions with high
ratings. Thus, there is a challenge on how to make use of low rating scores for
representing users' preferences since low ratings can be still informative in
designing NE-based recommender systems. In this study, we present SiReN, a new
sign-aware recommender system based on GNN models. Specifically, SiReN has
three key components: 1) constructing a signed bipartite graph for more
precisely representing users' preferences, which is split into two
edge-disjoint graphs with positive and negative edges each, 2) generating two
embeddings for the partitioned graphs with positive and negative edges via a
GNN model and a multi-layer perceptron (MLP), respectively, and then using an
attention model to obtain the final embeddings, and 3) establishing a
sign-aware Bayesian personalized ranking (BPR) loss function in the process of
optimization. Through comprehensive experiments, we empirically demonstrate
that SiReN consistently outperforms state-of-the-art NE-aided recommendation
methods.
- Abstract（参考訳）: 近年,グラフニューラルネットワーク (GNN) などのネットワーク埋め込み (NE) を用いたレコメンデーションシステムの多くが,レコメンデーション精度を向上させる目的で広く研究されている。
しかし、このような試みは、高い評価とポジティブなユーザ・イテムインタラクションの情報のみを活用することに重点を置いている。
したがって、neベースのレコメンダシステムの設計において、低評価は依然として有益であるため、ユーザの好みを表すために低評価スコアをどのように利用するかという課題がある。
本研究では,GNNモデルに基づく新しいサインアウェア推薦システムSiReNを提案する。
Specifically, SiReN has three key components: 1) constructing a signed bipartite graph for more precisely representing users' preferences, which is split into two edge-disjoint graphs with positive and negative edges each, 2) generating two embeddings for the partitioned graphs with positive and negative edges via a GNN model and a multi-layer perceptron (MLP), respectively, and then using an attention model to obtain the final embeddings, and 3) establishing a sign-aware Bayesian personalized ranking (BPR) loss function in the process of optimization.
総合的な実験を通して、SiReNが最先端のNE支援レコメンデーション手法より一貫して優れていることを実証的に示す。
関連論文リスト
- DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。
実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
論文 参考訳（メタデータ） (2024-05-24T07:07:41Z) - Improving Matrix Completion by Exploiting Rating Ordinality in Graph
Neural Networks [15.288361490454276]
マトリックスの完成はレコメンデーションシステムにおいて重要な研究領域である。
最近の手法では、評価行列を、観測された評価を示すラベル付きエッジを持つ、ユーザイデムのバイパーティイトグラフと見なしている。
本稿では,GNN ベースの Matrix Completion におけるレーティング規則の活用を目的とした ROGMC という新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-07T14:04:33Z) - Efficient Link Prediction via GNN Layers Induced by Negative Sampling [92.05291395292537]
リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。
まず、Emphnode-wiseアーキテクチャは各ノードの個別の埋め込みをプリコンパイルし、後に単純なデコーダで結合して予測を行う。
第二に、エンフェッジワイド法は、ペアワイド関係の表現を強化するために、エッジ固有のサブグラフ埋め込みの形成に依存している。
論文 参考訳（メタデータ） (2023-10-14T07:02:54Z) - Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems [4.026354668375411]
本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
論文 参考訳（メタデータ） (2023-02-21T09:47:27Z) - 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) - 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) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。
提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
論文 参考訳（メタデータ） (2020-07-31T16:56:54Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。
ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。
連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-04T06:59:56Z)
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。