論文の概要: Supervised Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2201.03144v1
• Date: Mon, 10 Jan 2022 03:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:47:27.780012
• Title: Supervised Contrastive Learning for Recommendation
• Title（参考訳）: 推薦のための教師付きコントラスト学習
• Authors: Chun Yang
• Abstract要約: 本稿では,2部グラフを事前学習し,グラフ畳み込みニューラルネットワークを微調整する,教師付きコントラスト学習フレームワークを提案する。 我々は、この学習方法をSupervised Contrastive Learning (SCL)と呼び、最も先進的なLightGCNに適用する。
• 参考スコア（独自算出の注目度）: 6.407166061614783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared with the traditional collaborative filtering methods, the graph convolution network can explicitly model the interaction between the nodes of the user-item bipartite graph and effectively use higher-order neighbors, which enables the graph neural network to obtain more effective embeddings for recommendation, such as NGCF And LightGCN. However, its representations is very susceptible to the noise of interaction. In response to this problem, SGL explored the self-supervised learning on the user-item graph to improve the robustness of GCN. Although effective, we found that SGL directly applies SimCLR's comparative learning framework. This framework may not be directly applicable to the scenario of the recommendation system, and does not fully consider the uncertainty of user-item interaction.In this work, we aim to consider the application of contrastive learning in the scenario of the recommendation system adequately, making it more suitable for recommendation task. We propose a supervised contrastive learning framework to pre-train the user-item bipartite graph, and then fine-tune the graph convolutional neural network. Specifically, we will compare the similarity between users and items during data preprocessing, and then when applying contrastive learning, not only will the augmented views be regarded as the positive samples, but also a certain number of similar samples will be regarded as the positive samples, which is different from SimCLR who treats other samples in a batch as negative samples. We term this learning method as Supervised Contrastive Learning(SCL) and apply it on the most advanced LightGCN. In addition, in order to consider the uncertainty of node interaction, we also propose a new data augment method called node replication.
• Abstract（参考訳）: 従来の協調フィルタリング手法と比較して、グラフ畳み込みネットワークは、ユーザ-イデム二部グラフのノード間の相互作用を明示的にモデル化し、高階隣人を効果的に使用することにより、NGCFやLightGCNのような推奨のためのより効率的な埋め込みをグラフニューラルネットワークが得ることができる。 しかし、その表現は相互作用のノイズに非常に敏感である。 この問題に対してSGLは,GCNの堅牢性を改善するために,ユーザイットグラフ上の自己教師型学習について検討した。 有効ではあるが、SGLはSimCLRの比較学習フレームワークを直接適用していることがわかった。 この枠組みは,レコメンデーションシステムのシナリオに直接適用されず,ユーザとイテムの相互作用の不確実性を十分に考慮していないため,レコメンデーションシステムのシナリオにおけるコントラスト学習の適用を適切に検討し,レコメンデーションタスクにより適したものにすることを目指している。 本稿では,2部グラフを事前学習し,グラフ畳み込みニューラルネットワークを微調整する,教師付きコントラスト学習フレームワークを提案する。 具体的には、データ前処理中のユーザとアイテムの類似性を比較し、コントラスト学習を適用する際には、拡張ビューを正のサンプルと見なすだけでなく、他のサンプルを負のサンプルとして扱うSimCLRとは異なる、一定の数の類似サンプルを正のサンプルとみなす。 我々は、この学習方法をSupervised Contrastive Learning (SCL)と呼び、最も先進的なLightGCNに適用する。 また,ノード間相互作用の不確実性を考慮するために,ノード複製と呼ばれる新しいデータ拡張手法を提案する。

関連論文リスト

• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Bilateral Unsymmetrical Graph Contrastive Learning for Recommendation [12.945782054710113]
  両面非対称グラフコントラスト学習(BusGCL)と呼ばれる推薦タスクのための新しいフレームワークを提案する。 BusGCLは、スライスされたユーザとアイテムグラフのユーザ-itemノード関係密度の両側非対称性を、両スライスしたコントラストトレーニングより優れていると考えている。 2つの公開データセットに関する総合的な実験は、様々なレコメンデーション手法と比較して、BusGCLの優位性を証明している。
  論文  参考訳（メタデータ） (2024-03-22T09:58:33Z)
• TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation [1.5836776102398225]
  実世界におけるKGの実体の長期分布とノイズ問題により、アイテム・エンティリティ依存関係は真の特性を反映しない。 我々はTDCL(Two-Level Debiased Contrastive Learning)を設計し、知識グラフに展開する。 オープンソースデータセットに関する検討実験により,提案手法は優れたアンチノイズ性能を有することが示された。
  論文  参考訳（メタデータ） (2023-10-01T03:56:38Z)
• Gaussian Graph with Prototypical Contrastive Learning in E-Commerce Bundle Recommendation [13.157762744149966]
  既存のソリューションは、対照的なグラフ学習パラダイムに基づいている。 本稿では,これらの課題を克服するために,原型コントラスト学習フレームワークを用いたガウスグラフを提案する。 いくつかの公開データセットにおける従来の手法と比較して,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-07-25T12:56:41Z)
• 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)
• LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
  グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。 本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:16:21Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)

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。