論文の概要: Reinforced Meta-path Selection for Recommendation on Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2112.12845v1
• Date: Thu, 23 Dec 2021 21:03:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 17:36:57.266061
• Title: Reinforced Meta-path Selection for Recommendation on Heterogeneous Information Networks
• Title（参考訳）: 異種情報ネットワーク上でのレコメンデーションのための強化メタパス選択
• Authors: Wentao Ning, Reynold Cheng, Jiajun Shen, Nur Al Hasan Haldar, Ben Kao, Nan Huo, Wai Kit Lam, Tian Li and Bo Tang
• Abstract要約: 異種情報ネットワーク(HIN)は、様々な種類のエンティティ間の複雑な関係をキャプチャする。 既存のレコメンデーションアルゴリズムでは、手作りのメタパスを使用して、ネットワークから意味情報を抽出する。 効果的なメタパスを選択するための強化学習に基づくメタパス選択フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.35398976265591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Information Networks (HINs) capture complex relations among entities of various kinds and have been used extensively to improve the effectiveness of various data mining tasks, such as in recommender systems. Many existing HIN-based recommendation algorithms utilize hand-crafted meta-paths to extract semantic information from the networks. These algorithms rely on extensive domain knowledge with which the best set of meta-paths can be selected. For applications where the HINs are highly complex with numerous node and link types, the approach of hand-crafting a meta-path set is too tedious and error-prone. To tackle this problem, we propose the Reinforcement learning-based Meta-path Selection (RMS) framework to select effective meta-paths and to incorporate them into existing meta-path-based recommenders. To identify high-quality meta-paths, RMS trains a reinforcement learning (RL) based policy network(agent), which gets rewards from the performance on the downstream recommendation tasks. We design a HIN-based recommendation model, HRec, that effectively uses the meta-path information. We further integrate HRec with RMS and derive our recommendation solution, RMS-HRec, that automatically utilizes the effective meta-paths. Experiments on real datasets show that our algorithm can significantly improve the performance of recommendation models by capturing important meta-paths automatically.
• Abstract（参考訳）: 異種情報ネットワーク(HIN)は、様々な種類のエンティティ間の複雑な関係を捉え、レコメンデータシステムなどの様々なデータマイニングタスクの有効性を改善するために広く利用されている。 既存のHINベースのレコメンデーションアルゴリズムの多くは、手作りのメタパスを使って、ネットワークから意味情報を抽出している。 これらのアルゴリズムは、最適なメタパスを選択できる広範なドメイン知識に依存している。 HINが多くのノードやリンクタイプと非常に複雑であるアプリケーションでは、メタパスセットを手作りするアプローチは面倒でエラーを起こしやすい。 本稿では,効果的なメタパスを選択し,既存のメタパスベースのレコメンダに組み込むための強化学習型メタパス選択(rms)フレームワークを提案する。 高品質なメタパスを特定するため、RMSは、下流レコメンデーションタスクのパフォーマンスから報酬を得る強化学習(RL)ベースのポリシーネットワーク(エージェント)を訓練する。 メタパス情報を効果的に利用するHINベースのレコメンデーションモデルHRecを設計する。 HRec を RMS と統合し,有効なメタパスを自動で活用する RMS-HRec というレコメンデーションソリューションを導出する。 実データを用いた実験により,提案アルゴリズムは重要なメタパスを自動的にキャプチャすることにより,レコメンデーションモデルの性能を大幅に向上できることを示した。

関連論文リスト

• MLRS-PDS: A Meta-learning recommendation of dynamic ensemble selection pipelines [3.1140073169854485]
  本稿では,動的アンサンブル選択のための最適なプール生成手法を提案するメタラーニングレコメンデーションシステム(MLRS)を提案する。 このシステムは、データセットのメタ機能から構築されたメタモデルを使用して、与えられたデータセットに対して最も適切なプール生成スキームとDESメソッドを予測する。 このメタ学習レコメンデーションシステムは従来の固定プールやDESメソッドの選択方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-10T10:31:57Z)
• Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks [46.325577161493726]
  Heterogeneous Information Networks (HIN) は、複数のノードとエッジを持つ情報ネットワークである。 メタパスの概念、すなわち2つのエンティティを接続するエンティティタイプと関係型のシーケンスは、様々なHINタスクのためのメタレベル説明可能なセマンティクスを提供するために提案される。
  論文  参考訳（メタデータ） (2023-07-08T09:10:43Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
  この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-09-30T17:15:17Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for Heterogeneous Information Network Embedding [15.400191040779376]
  不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。 従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。 mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
  論文  参考訳（メタデータ） (2021-04-06T11:35:56Z)
• Genetic Meta-Structure Search for Recommendation on Heterogeneous Information Network [13.611161754155642]
  異種情報ネットワーク(HIN)におけるメタ構造設計の自動最適化のための遺伝的メタ構造探索(GEMS)を提案する。 GEMSは、推奨のために意味のあるメタ構造を検索する並列遺伝的アルゴリズムを採用し、検索空間を効率的に探索する専用のルールとメタ構造予測器を設計します。
  論文  参考訳（メタデータ） (2021-02-21T08:29:41Z)
• Reinforcement Learning Enhanced Heterogeneous Graph Neural Network [13.720544777078642]
  ヘテロジニアス・インフォメーション・ネットワーク(HIN)におけるノードの異なるメタパスを設計するための強化学習強化ヘテロジニアス・グラフ・ニューラルネット(RL-HGNN)を提案する。 具体的には、RL-HGNNは、メタパス設計プロセスをマルコフ決定プロセスとしてモデル化し、ポリシーネットワークを使用して各ノードのメタパスを適応的に設計し、その効果的な表現を学習する。 実験の結果、RL-HGNNの有効性が示され、人間の知識によって無視された有意義なメタパスを識別できることが判明した。
  論文  参考訳（メタデータ） (2020-10-26T17:22:24Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。