論文の概要: Augmenting the User-Item Graph with Textual Similarity Models

• arxiv url: http://arxiv.org/abs/2109.09358v1
• Date: Mon, 20 Sep 2021 08:23:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 04:18:32.629452
• Title: Augmenting the User-Item Graph with Textual Similarity Models
• Title（参考訳）: テキスト類似性モデルによるユーザ項目グラフの拡張
• Authors: Federico L\'opez and Martin Scholz and Jessica Yung and Marie Pellat and Michael Strube and Lucas Dixon
• Abstract要約: パラフレーズ類似性モデルは、レビューや製品記述など、広く利用可能なテキストデータに適用される。 これにより、さらにラベル付けされたデータを必要としないグラフの密度が増加する。 その結果、データ拡張技術はあらゆる種類のモデルに大幅な改善をもたらすことがわかった。
• 参考スコア（独自算出の注目度）: 9.703969546479954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a simple and effective form of data augmentation for recommender systems. A paraphrase similarity model is applied to widely available textual data, such as reviews and product descriptions, yielding new semantic relations that are added to the user-item graph. This increases the density of the graph without needing further labeled data. The data augmentation is evaluated on a variety of recommendation algorithms, using Euclidean, hyperbolic, and complex spaces, and over three categories of Amazon product reviews with differing characteristics. Results show that the data augmentation technique provides significant improvements to all types of models, with the most pronounced gains for knowledge graph-based recommenders, particularly in cold-start settings, leading to state-of-the-art performance.
• Abstract（参考訳）: 本稿では,レコメンダシステムのための簡易かつ効果的なデータ拡張方式を提案する。 パラフレーズ類似性モデルは、レビューや製品記述など、広く利用可能なテキストデータに適用され、ユーザ-テムグラフに追加される新しい意味関係が得られる。 これにより、さらなるラベル付きデータを必要とせずに、グラフの密度が増加する。 データ拡張は、ユークリッド空間、双曲空間、複素空間、および異なる特性を持つamazon製品レビューの3つのカテゴリを用いて、様々な推奨アルゴリズムで評価される。 その結果、データ拡張技術は、知識グラフベースのレコメンデータ、特にコールドスタート設定において最も顕著な利益をもたらし、あらゆる種類のモデルに大幅な改善をもたらすことが示された。

関連論文リスト

• Data Augmentation in Graph Neural Networks: The Role of Generated Synthetic Graphs [0.24999074238880487]
  本研究では,データ拡張のための生成グラフについて検討する。 生成したグラフを実グラフと組み合わせることのパフォーマンスを比較し、生成したグラフの量が異なることがグラフ分類タスクに与える影響を調べる。 その結果,グラフデータの拡張,一貫性のあるラベルの確保,分類性能の向上など,新たなアプローチが導入された。
  論文  参考訳（メタデータ） (2024-07-20T06:05:26Z)
• Contrastive General Graph Matching with Adaptive Augmentation Sampling [5.3459881796368505]
  グラフマッチング(GCGM)のための新しいグラフ中心コントラストフレームワークを提案する。 GCGMは、コントラスト学習のための膨大なグラフ拡張を、副次的な情報を必要としない形で実現している。 当社のGCGMは、さまざまなデータセットにわたる最先端の自己管理手法を超越しています。
  論文  参考訳（メタデータ） (2024-06-25T01:08:03Z)
• Narrating Causal Graphs with Large Language Models [1.437446768735628]
  本研究では、因果グラフからテキストを生成するための、大規模事前学習言語モデルの能力について検討する。 これらのグラフにエンコードされた因果推論は、医療やマーケティングのような多様なアプリケーションをサポートすることができる。 結果として、生成AIのユーザは、いくつかの例だけでモデルをトレーニングするときに、同様のパフォーマンスが得られるため、将来のアプリケーションをより早くデプロイできる可能性が示唆されている。
  論文  参考訳（メタデータ） (2024-03-11T19:19:59Z)
• 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)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Label-invariant Augmentation for Semi-Supervised Graph Classification [32.591130704357184]
  近年,コンピュータビジョン領域では,コントラッシブネスに基づく拡張が新たなクライマックスを引き起こしている。 画像とは異なり、グラフの性質を変えることなく合理的な拡張を設計することはより困難である。 この課題に対処するために,グラフ構造化データに対するラベル不変拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-19T18:44:02Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Graph Data Augmentation for Graph Machine Learning: A Survey [19.372562034069084]
  本研究の目的は,グラフデータ拡張における既存文献の展望を明らかにすることであり,この領域における追加研究の動機付けである。 まず、修正または作成するグラフデータのコンポーネントに基づいて、グラフデータ拡張操作を分類する。 次に,グラフデータ拡張の最近の進歩を紹介し,その学習目標と方法論によって分離する。
  論文  参考訳（メタデータ） (2022-02-17T19:14:17Z)
• Graph Contrastive Learning Automated [94.41860307845812]
  グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。 GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。 本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T16:35:27Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。