論文の概要: Knowledge Graph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2205.00976v1
• Date: Mon, 2 May 2022 15:24:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 16:06:26.518461
• Title: Knowledge Graph Contrastive Learning for Recommendation
• Title（参考訳）: 推薦のための知識グラフコントラスト学習
• Authors: Yuhao Yang, Chao Huang, Lianghao Xia, Chenliang Li
• Abstract要約: 我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。 具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。 我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
• 参考スコア（独自算出の注目度）: 32.918864602360884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs) have been utilized as useful side information to improve recommendation quality. In those recommender systems, knowledge graph information often contains fruitful facts and inherent semantic relatedness among items. However, the success of such methods relies on the high quality knowledge graphs, and may not learn quality representations with two challenges: i) The long-tail distribution of entities results in sparse supervision signals for KG-enhanced item representation; ii) Real-world knowledge graphs are often noisy and contain topic-irrelevant connections between items and entities. Such KG sparsity and noise make the item-entity dependent relations deviate from reflecting their true characteristics, which significantly amplifies the noise effect and hinders the accurate representation of user's preference. To fill this research gap, we design a general Knowledge Graph Contrastive Learning framework (KGCL) that alleviates the information noise for knowledge graph-enhanced recommender systems. Specifically, we propose a knowledge graph augmentation schema to suppress KG noise in information aggregation, and derive more robust knowledge-aware representations for items. In addition, we exploit additional supervision signals from the KG augmentation process to guide a cross-view contrastive learning paradigm, giving a greater role to unbiased user-item interactions in gradient descent and further suppressing the noise. Extensive experiments on three public datasets demonstrate the consistent superiority of our KGCL over state-of-the-art techniques. KGCL also achieves strong performance in recommendation scenarios with sparse user-item interactions, long-tail and noisy KG entities. Our implementation codes are available at https://github.com/yuh-yang/KGCL-SIGIR22
• Abstract（参考訳）: 知識グラフ(KG)は、推奨品質を改善するために有用なサイド情報として利用されてきた。 これらのレコメンダシステムでは、ナレッジグラフ情報は、しばしばアイテム間の実りある事実と固有の意味的関連を含んでいる。 しかし、そのような手法の成功は、高品質の知識グラフに依存しており、2つの課題で品質表現を学ばない可能性がある。 一 実体の長期分布は、KGの商品表示のための疎い監督信号をもたらす。 二 現実世界の知識グラフは、しばしば騒々しく、アイテムとエンティティ間のトピック非関連な接続を含んでいる。 このようなKG間隔とノイズにより、アイテム間の依存関係は、その真の特徴を反映することから逸脱し、ノイズ効果を著しく増幅し、ユーザの好みの正確な表現を妨げる。 この研究ギャップを埋めるために、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減する一般的な知識グラフ比較学習フレームワーク(KGCL)を設計する。 具体的には,情報集約におけるkgノイズを抑制し,項目に対するより堅牢な知識認識表現を導出するための知識グラフ拡張スキーマを提案する。 さらに,kg加重プロセスから追加の監督信号を活用して,クロスビューのコントラスト学習パラダイムを導いており,勾配降下における非偏りのあるユーザ・テーマインタラクションにおいて,さらに大きな役割を担っている。 3つの公開データセットに対する大規模な実験は、最先端技術よりもKGCLが一貫した優位性を示している。 KGCLはまた、疎いユーザ-イテムインタラクション、ロングテール、ノイズの多いKGエンティティを含むレコメンデーションシナリオで強力なパフォーマンスを達成する。 実装コードはhttps://github.com/yuh-yang/kgcl-sigir22で利用可能です。

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)
• Heterogeneous Hypergraph Embedding for Recommendation Systems [45.49449132970778]
  知識強化ヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)について紹介する。 KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。 入力グラフからの信号を、クロスビューで自己教師付き学習とアテンションメカニズムで融合する。
  論文  参考訳（メタデータ） (2024-07-04T06:09:11Z)
• Knowledge Enhanced Multi-intent Transformer Network for Recommendation [11.53964363972865]
  我々は,KGTN(Knowledge Enhanced Multi-intent Transformer Network for Recommendation)という新しいアプローチを提案する。 Graph Transformerを使用したGlobal Intentsは、ユーザ-item-relation-entityインタラクションからグラフトランスフォーマーへのグローバルシグナルを取り入れることで、学習可能なユーザ意図の取得に重点を置いている。 インテント下での知識コントラストの認知は、正確で堅牢な表現を学ぶことに集中している。
  論文  参考訳（メタデータ） (2024-05-31T01:07:37Z)
• Knowledge Graph Pruning for Recommendation [44.21660467094777]
  我々は,推薦に適した知識グラフ解析のためのKGTrimmerという新しい手法を提案する。 集合的観点からは、豊富な協調的な信号に基づいてコミュニティのコンセンサスを抽出し、集合的知性の概念を取り入れる。 次に、エンド・ツー・エンドの重要度を意識したグラフニューラルネットワークを構築し、フィルタされた知識を注入し、貴重なユーザ・イテム協調信号の蒸留を強化する。
  論文  参考訳（メタデータ） (2024-05-19T12:07:24Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
  知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。 既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。 グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:17:40Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• 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)

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。