論文の概要: Self-supervised Graph Learning for Occasional Group Recommendation

• arxiv url: http://arxiv.org/abs/2112.02274v1
• Date: Sat, 4 Dec 2021 08:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 07:58:36.665470
• Title: Self-supervised Graph Learning for Occasional Group Recommendation
• Title（参考訳）: グループ推薦のための自己教師付きグラフ学習
• Authors: Bowen Hao, Hongzhi Yin, Jing Zhang, Cuiping Li, and Hong Chen
• Abstract要約: 時々グループ(コールドスタートグループ)に商品を推薦する問題について検討する。 アイテムとの相互作用が極端に疎いため、これらのグループに対する高品質な埋め込みを学習することは困難である。 本稿では,グループ/ユーザ/イテムの埋め込みを再構築するために,バックボーンGNNモデルを協調訓練する自己教師付きグラフ学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 28.337475919795008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of recommending items to occasional groups (a.k.a. cold-start groups), where the occasional groups are formed ad-hoc and have few or no historical interacted items. Due to the extreme sparsity issue of the occasional groups' interactions with items, it is difficult to learn high-quality embeddings for these occasional groups. Despite the recent advances on Graph Neural Networks (GNNs) incorporate high-order collaborative signals to alleviate the problem, the high-order cold-start neighbors are not explicitly considered during the graph convolution in GNNs. This paper proposes a self-supervised graph learning paradigm, which jointly trains the backbone GNN model to reconstruct the group/user/item embeddings under the meta-learning setting, such that it can directly improve the embedding quality and can be easily adapted to the new occasional groups. To further reduce the impact from the cold-start neighbors, we incorporate a self-attention-based meta aggregator to enhance the aggregation ability of each graph convolution step. Besides, we add a contrastive learning (CL) adapter to explicitly consider the correlations between the group and non-group members. Experimental results on three public recommendation datasets show the superiority of our proposed model against the state-of-the-art group recommendation methods.
• Abstract（参考訳）: 本研究は, 時折グループ(コールドスタートグループ)にアイテムを推薦する問題であり, 時折グループをアドホックに形成し, 歴史的に相互作用したアイテムがほとんどないし全く存在しない問題である。 アイテムに対するグループとのインタラクションの極端なスパーシティの問題から,これらのグループに対して高品質な埋め込みを学ぶことは困難である。 グラフニューラルネットワーク(GNN)の最近の進歩は、この問題を軽減するために高次協調信号を組み込んでいるが、GNNのグラフ畳み込みにおいて、高次コールドスタート隣人は明示的に考慮されていない。 本稿では,メタラーニング環境下でグループ/ユーザ/イテムの埋め込みを再構築するために,バックボーンGNNモデルを協調的に訓練し,組込み品質を向上し,新たなグループに容易に適応できる自己教師付きグラフ学習パラダイムを提案する。 さらに,コールドスタート近傍の影響を低減すべく,自己アグリゲータを用いたメタアグリゲータを組み込んで,各グラフ畳み込みステップのアグリゲーション能力を高める。 さらに,グループメンバと非グループメンバの相関を明示的に検討するために,コントラスト学習(cl)アダプタも追加した。 3つのパブリックレコメンデーションデータセットの実験結果から,提案手法の最先端グループレコメンデーション手法に対する優位性を示した。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Take One Gram of Neural Features, Get Enhanced Group Robustness [23.541213868620837]
  経験的リスク最小化で訓練された機械学習モデルの予測性能は、分散シフト下で大幅に低下する可能性がある。 本稿では,識別モデルの抽出した特徴の文法行列に基づいて,トレーニングデータセットをグループに分割する。 このアプローチは、ERMに対するグループロバスト性を向上するだけでなく、最近のすべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-08-26T12:34:55Z)
• Neural Bandit with Arm Group Graph [37.651541940052724]
  コンテキストブレイディットは、コンテキスト情報に基づいて最も高い報酬を持つ最適なアームのセットを識別することを目的としている。 我々は新しいモデルであるArm Group Graph (AGG)を導入し、ノードはアームのグループを表し、重み付きエッジはグループ間の相関を定式化する。 本稿では,AGGの豊富な情報を活用するために,ニューラルネットワークが報酬を推定するように設計された帯域幅アルゴリズムAGG-UCBを提案する。
  論文  参考訳（メタデータ） (2022-06-08T02:16:11Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
  GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。 具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-09-21T13:42:46Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• 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)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。