論文の概要: Virtual Relational Knowledge Graphs for Recommendation

• arxiv url: http://arxiv.org/abs/2204.01089v1
• Date: Sun, 3 Apr 2022 15:14:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 07:41:37.463179
• Title: Virtual Relational Knowledge Graphs for Recommendation
• Title（参考訳）: 推薦のための仮想関係知識グラフ
• Authors: Lingyun Lu and Bang Wang and Zizhuo Zhang and Shenghao Liu and Han Xu
• Abstract要約: 全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。 まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。 また、ユーザ表現学習において、LWS機構をユーザアイコン二部グラフに適用する。
• 参考スコア（独自算出の注目度）: 15.978408290522852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorporating knowledge graph as side information has become a new trend in recommendation systems. Recent studies regard items as entities of a knowledge graph and leverage graph neural networks to assist item encoding, yet by considering each relation type individually. However, relation types are often too many and sometimes one relation type involves too few entities. We argue that it is not efficient nor effective to use every relation type for item encoding. In this paper, we propose a VRKG4Rec model (Virtual Relational Knowledge Graphs for Recommendation), which explicitly distinguish the influence of different relations for item representation learning. We first construct virtual relational graphs (VRKGs) by an unsupervised learning scheme. We also design a local weighted smoothing (LWS) mechanism for encoding nodes, which iteratively updates a node embedding only depending on the embedding of its own and its neighbors, but involve no additional training parameters. We also employ the LWS mechanism on a user-item bipartite graph for user representation learning, which utilizes encodings of items with relational knowledge to help training representations of users. Experiment results on two public datasets validate that our VRKG4Rec model outperforms the state-of-the-art methods.
• Abstract（参考訳）: 知識グラフをサイド情報として組み込むことはレコメンデーションシステムにおいて新たなトレンドとなっている。 近年の研究では、アイテムを知識グラフの実体とみなし、グラフニューラルネットワークを活用してアイテムエンコーディングを支援しつつ、個々の関係タイプを個別に検討している。 しかしながら、関係型は多すぎることが多く、場合によっては1つの関係型はエンティティが少なすぎる。 全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。 本稿では,アイテム表現学習における異なる関係の影響を明示的に区別するvrkg4recモデル(virtual relational knowledge graphs for recommendation)を提案する。 まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。 また、ノードを符号化するための局所重み付き平滑化(LWS)機構を設計し、ノードの埋め込みによってのみ繰り返し更新するが、追加のトレーニングパラメータは含まない。 また,ユーザ表現学習のためのLWS機構も導入し,ユーザ表現の学習を支援するために,関係知識を持つ項目のエンコーディングを利用する。 実験結果は、2つの公開データセットにおいて、vrkg4recモデルが最先端のメソッドよりも優れていることを検証します。

関連論文リスト

• Learnable Graph Matching: A Practical Paradigm for Data Association [65.00157468894707]
  データアソシエーションは、複数のオブジェクト追跡、画像マッチング、ポイントクラウド登録など、多くのコンピュータビジョンタスクの中核にある。 既存の手法は通常、ネットワークフローの最適化、双方向マッチング、エンドツーエンドの学習によって、データアソシエーションの問題を解決する。 本稿では,これらの問題に対処する一般的な学習可能なグラフマッチング法を提案する。特に,ビュー内関係を非方向性グラフとしてモデル化し,データアソシエーションがグラフ間の一般的なグラフマッチング問題となる。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
  本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。 次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。 実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-12T14:31:44Z)
• Entity-Agnostic Representation Learning for Parameter-Efficient Knowledge Graph Embedding [30.7075844882004]
  本稿では,知識グラフの埋め込みによる非効率なパラメータ記憶コストの問題に対処するエンティティに依存しない表現学習手法を提案する。 我々は、識別可能な情報をエンティティ埋め込みに変換するために、普遍的でエンティティに依存しないエンコーダを学習する。 実験の結果,EARLはパラメータが少なく,ベースラインよりもリンク予測タスクが優れていることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T16:49:46Z)
• Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [6.596002578395149]
  本稿では,強力なテンソル分解法を適応的に含むスケーラブルな汎用知識グラフエンコーダを提案する。 FB15-237のRCCN性能は0.42%向上し, 埋込み寸法は大幅に低くなった。
  論文  参考訳（メタデータ） (2022-12-11T19:07:34Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [12.89144148992278]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。