論文の概要: Lightweight Compositional Embeddings for Incremental Streaming Recommendation

• arxiv url: http://arxiv.org/abs/2202.02427v1
• Date: Fri, 4 Feb 2022 23:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 18:03:32.543420
• Title: Lightweight Compositional Embeddings for Incremental Streaming Recommendation
• Title（参考訳）: インクリメンタルストリーミングレコメンデーションのための軽量組成埋め込み
• Authors: Mengyue Hang, Tobias Schnabel, Longqi Yang, Jennifer Neville
• Abstract要約: 計算コストの低いインクリメンタルアップデートをサポートするグラフベースのレコメンデーションモデルを提案する。 軽量構成埋め込み(LCE)は、ノードのサブセットのみに対する明示的な埋め込みを学び、他のノードを暗黙的に表現する。 LCEは、グラフベースの代替モデルよりもパラメータが大幅に少ない、ほぼスカイラインのパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 21.857949766385186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most work in graph-based recommender systems considers a {\em static} setting where all information about test nodes (i.e., users and items) is available upfront at training time. However, this static setting makes little sense for many real-world applications where data comes in continuously as a stream of new edges and nodes, and one has to update model predictions incrementally to reflect the latest state. To fully capitalize on the newly available data in the stream, recent graph-based recommendation models would need to be repeatedly retrained, which is infeasible in practice. In this paper, we study the graph-based streaming recommendation setting and propose a compositional recommendation model -- Lightweight Compositional Embedding (LCE) -- that supports incremental updates under low computational cost. Instead of learning explicit embeddings for the full set of nodes, LCE learns explicit embeddings for only a subset of nodes and represents the other nodes {\em implicitly}, through a composition function based on their interactions in the graph. This provides an effective, yet efficient, means to leverage streaming graph data when one node type (e.g., items) is more amenable to static representation. We conduct an extensive empirical study to compare LCE to a set of competitive baselines on three large-scale user-item recommendation datasets with interactions under a streaming setting. The results demonstrate the superior performance of LCE, showing that it achieves nearly skyline performance with significantly fewer parameters than alternative graph-based models.
• Abstract（参考訳）: グラフベースのレコメンデータシステムにおけるほとんどの作業は、テストノード(ユーザとアイテム)に関するすべての情報がトレーニング時に前もって利用可能となるような {\em static} 設定を考慮する。 しかし、この静的な設定は、データが新しいエッジとノードのストリームとして継続的に入ってくる現実世界の多くのアプリケーションにとってほとんど意味がなく、最新の状態を反映するためにはモデル予測を漸進的に更新する必要がある。 ストリームで新たに利用可能なデータを完全に活用するには、最近のグラフベースのレコメンデーションモデルを繰り返し再トレーニングする必要がある。 本稿では,グラフベースのストリーミングレコメンデーション設定について検討し,低計算コストでインクリメンタルな更新をサポートする合成レコメンデーションモデルであるlightweight compositional embedded (lce)を提案する。 ノードの完全な集合に対する明示的な埋め込みを学ぶ代わりに、LCEはノードのサブセットのみに対する明示的な埋め込みを学び、グラフ内の相互作用に基づいた合成関数を通して他のノードを暗黙的に表現する。 これは、1つのノードタイプ(例えばアイテム)が静的表現により適している場合に、ストリーミンググラフデータを有効に活用する手段を提供する。 本稿では,LCEと大規模ユーザ・イテム推薦データセットの競合ベースラインのセットを比較し,ストリーミング環境下でのインタラクションを比較検討する。 その結果,LCEの性能が向上し,代替グラフモデルよりもパラメータが少なく,ほぼスカイラインの性能が得られることが示された。

関連論文リスト

• 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)
• From random-walks to graph-sprints: a low-latency node embedding framework on continuous-time dynamic graphs [4.372841335228306]
  本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。 本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。 グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-07-17T12:25:52Z)
• Instant Representation Learning for Recommendation over Large Dynamic Graphs [29.41179019520622]
  動的多重多元グラフのための新しいグラフニューラルネットワークSUPAを提案する。 新しいエッジごとに、SUPAは影響のあるサブグラフをサンプリングし、2つの対話ノードの表現を更新し、その相互作用情報をサンプリングされたサブグラフに伝達する。 SuPAをオンラインでインクリメンタルにトレーニングするために、大規模な動的グラフのシングルパストレーニングのための効率的なワークフローであるInsLearnを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:36:10Z)
• 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)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。