論文の概要: ZOOMER: Boosting Retrieval on Web-scale Graphs by Regions of Interest

• arxiv url: http://arxiv.org/abs/2203.12596v1
• Date: Sun, 20 Mar 2022 04:46:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 13:54:44.855288
• Title: ZOOMER: Boosting Retrieval on Web-scale Graphs by Regions of Interest
• Title（参考訳）: ZOOMER: 関心領域によるWebスケールグラフの検索強化
• Authors: Yuezihan Jiang, Yu Cheng, Hanyu Zhao, Wentao Zhang, Xupeng Miao, Yu He, Liang Wang, Zhi Yang, Bin Cui
• Abstract要約: 我々は,中国最大のeコマースプラットフォームであるTaobaoで,Webスケールグラフ上でGNNベースのレコメンデーションのトレーニングと提供を行うシステムであるZOOMERを紹介した。 ZOOMERは、サンプリングスケールの縮小時に、ベースラインメソッドよりも同等(さらに良い)AUCパフォーマンスで最大14倍のスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 32.36983902055508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce ZOOMER, a system deployed at Taobao, the largest e-commerce platform in China, for training and serving GNN-based recommendations over web-scale graphs. ZOOMER is designed for tackling two challenges presented by the massive user data at Taobao: low training/serving efficiency due to the huge scale of the graphs, and low recommendation quality due to the information overload which distracts the recommendation model from specific user intentions. ZOOMER achieves this by introducing a key concept, Region of Interests (ROI) in GNNs for recommendations, i.e., a neighborhood region in the graph with significant relevance to a strong user intention. ZOOMER narrows the focus from the whole graph and "zooms in" on the more relevant ROIs, thereby reducing the training/serving cost and mitigating the information overload at the same time. With carefully designed mechanisms, ZOOMER identifies the interest expressed by each recommendation request, constructs an ROI subgraph by sampling with respect to the interest, and guides the GNN to reweigh different parts of the ROI towards the interest by a multi-level attention module. Deployed as a large-scale distributed system, ZOOMER supports graphs with billions of nodes for training and thousands of requests per second for serving. ZOOMER achieves up to 14x speedup when downsizing sampling scales with comparable (even better) AUC performance than baseline methods. Besides, both the offline evaluation and online A/B test demonstrate the effectiveness of ZOOMER.
• Abstract（参考訳）: 我々は,中国最大のeコマースプラットフォームであるTaobaoで,Webスケールグラフ上でGNNベースのレコメンデーションのトレーニングと提供を行うシステムであるZOOMERを紹介した。 ZOOMERは、Taobaoの巨大なユーザデータによって提示される2つの課題に対処するために設計されている。グラフの巨大なスケールによるトレーニング/保存効率の低下と、特定のユーザの意図からレコメンデーションモデルを逸脱させる情報過剰による推奨品質の低下である。 ZOOMERは、GNNに重要な概念であるROI(Rerea of Interests)を導入してこれを達成している。 ZOOMERは、グラフ全体から焦点を絞り、より関連するROIに"ズームイン"することで、トレーニング/保存コストを削減し、同時に情報の過負荷を軽減する。 慎重に設計されたメカニズムにより、ZOOMERは、各レコメンデーション要求によって表現される関心を識別し、興味についてサンプリングしてROIサブグラフを構築し、多レベルアテンションモジュールによってROIの異なる部分を関心に振り向けるようGNNに誘導する。 大規模な分散システムとしてデプロイされたZOOMERは、トレーニング用に数十億ノードのグラフと、サービス用に毎秒数千リクエストをサポートする。 ZOOMERは、サンプリングスケールの縮小時に、ベースラインメソッドよりも同等(さらに良い)AUCパフォーマンスで最大14倍のスピードアップを達成する。 さらに、オフライン評価とオンラインA/Bテストの両方がZOOMERの有効性を示した。

関連論文リスト

• HAIChart: Human and AI Paired Visualization System [17.828527048327548]
  HAIChartは、ユーザフィードバックを取り入れて、与えられたデータセットに対して優れた視覚化を推奨するように設計された強化学習ベースのフレームワークである。 本稿では,モンテカルログラフ検索に基づく可視化生成アルゴリズムと合成報酬関数を組み合わせて,視覚化空間を効率的に探索し,優れた視覚化を自動的に生成する手法を提案する。 我々は定量的評価とユーザスタディの両方を行い、HAIChartは最先端の人力ツール(リコールでは21%、CPUでは1.8倍)とAIによる自動ツール(Hit@3とR10@30では25.1%、それぞれ14.9%)を大きく上回っていることを示した。
  論文  参考訳（メタデータ） (2024-06-16T18:04:47Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Memory efficient location recommendation through proximity-aware representation [8.505840656442217]
  逐次レコメンデーション(PASR:Sequential Recommendation)のための近接認識型領域表現を提案する。 本稿では,重要サンプリングを用いた新たな損失関数を用いて,最適化時の情報的負のサンプルを強調することで,疎結合問題に対処する。 3つの実世界位置ベースソーシャルネットワーキング(LBSN)データセットを用いて評価を行い,PASRが最先端の逐次位置推薦手法を上回ることを示した。
  論文  参考訳（メタデータ） (2023-10-10T09:53:07Z)
• Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
  デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。 提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-02-10T03:57:45Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
  グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。 我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。 本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
  論文  参考訳（メタデータ） (2022-09-08T16:20:25Z)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• 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)
• Self-supervised Learning for Large-scale Item Recommendations [18.19202958502061]
  大規模なレコメンデータモデルは、巨大なカタログから最も関連性の高いアイテムを見つけ出す。 コーパスには何百万から数十億ものアイテムがあり、ユーザーはごく少数のユーザーに対してフィードバックを提供する傾向にある。 大規模項目推薦のためのマルチタスク自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-25T06:21:43Z)

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。