Fugu-MT 論文翻訳(概要): Virtual Relational Knowledge Graphs for Recommendation

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: 翻訳完了
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

Graph Contrastive Learning on Multi-label Classification for Recommendations [34.785207813971134]
マルチラベル分類のためのグラフコントラスト学習モデル(MCGCL)を提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。
論文参考訳（メタデータ） (2025-01-13T00:29:29Z)
An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
論文参考訳（メタデータ） (2024-12-24T07:51:29Z)
DEKGCI: A double-sided recommendation model for integrating knowledge graph and user-item interaction graph [0.0]
本稿では,新しい両面推薦モデルであるDECGCIを提案する。ユーザ側でのユーザ表現を豊かにするために,ユーザ-イテム相互作用グラフからの高次協調信号を使用する。
論文参考訳（メタデータ） (2023-06-24T01:54:49Z)
Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文参考訳（メタデータ） (2023-05-31T10:36:10Z)
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)
Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。提案手法は,複数のMOTデータセット上での最先端性能を実現する。画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文参考訳（メタデータ） (2023-03-27T17:39:00Z)
Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [4.041834517339835]
グラフ畳み込みネットワーク(R-GCN)の集約関数にテンソル分解を組み込んだ新しい知識グラフを提案する。我々のモデルは、関係型によって定義される低ランクテンソルの射影行列を用いて、隣り合う実体の表現を強化する。我々は,グラフ処理に固有の1-k-kエンコーダ法のトレーニング制限を緩和するために,コントラスト学習にインスパイアされたトレーニング戦略を採用する。
論文参考訳（メタデータ） (2022-12-11T19:07:34Z)
IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
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)
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。