論文の概要: Spatial Autoregressive Coding for Graph Neural Recommendation

• arxiv url: http://arxiv.org/abs/2205.09489v1
• Date: Thu, 19 May 2022 12:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 14:18:08.984735
• Title: Spatial Autoregressive Coding for Graph Neural Recommendation
• Title（参考訳）: グラフニューラルレコメンデーションのための空間自己回帰符号化
• Authors: Jiayi Zheng, Ling Yang, Heyuan Wang, Cheng Yang, Yinghong Li, Xiaowei Hu, Shenda Hong
• Abstract要約: 浅いモデルとディープグラフニューラルネットワーク(GNN)は、サンプリングされたサブグラフやシーケンスの近傍を適切に利用できない。 本稿では、上記の問題を統一的に解くための新しいフレームワークである空間自己回帰符号化(SAC)を提案する。 パブリックレコメンデーションデータセットと実シナリオWebスケールデータセットの両方の実験結果は、最先端の手法と比較してSACの優位性を示している。
• 参考スコア（独自算出の注目度）: 38.66151035948021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph embedding methods including traditional shallow models and deep Graph Neural Networks (GNNs) have led to promising applications in recommendation. Nevertheless, shallow models especially random-walk-based algorithms fail to adequately exploit neighbor proximity in sampled subgraphs or sequences due to their optimization paradigm. GNN-based algorithms suffer from the insufficient utilization of high-order information and easily cause over-smoothing problems when stacking too much layers, which may deteriorate the recommendations of low-degree (long-tail) items, limiting the expressiveness and scalability. In this paper, we propose a novel framework SAC, namely Spatial Autoregressive Coding, to solve the above problems in a unified way. To adequately leverage neighbor proximity and high-order information, we design a novel spatial autoregressive paradigm. Specifically, we first randomly mask multi-hop neighbors and embed the target node by integrating all other surrounding neighbors with an explicit multi-hop attention. Then we reinforce the model to learn a neighbor-predictive coding for the target node by contrasting the coding and the masked neighbors' embedding, equipped with a new hard negative sampling strategy. To learn the minimal sufficient representation for the target-to-neighbor prediction task and remove the redundancy of neighbors, we devise Neighbor Information Bottleneck by maximizing the mutual information between target predictive coding and the masked neighbors' embedding, and simultaneously constraining those between the coding and surrounding neighbors' embedding. Experimental results on both public recommendation datasets and a real scenario web-scale dataset Douyin-Friend-Recommendation demonstrate the superiority of SAC compared with state-of-the-art methods.
• Abstract（参考訳）: 従来の浅層モデルやディープグラフニューラルネットワーク(gnn)を含むグラフ埋め込み手法は、推奨の有望な応用につながった。 それでも、浅いモデル、特にランダムウォークに基づくアルゴリズムは、その最適化パラダイムのため、サンプリングされたサブグラフやシーケンスの近傍を適切に利用できない。 gnnベースのアルゴリズムは、高次情報の利用が不十分で、レイヤーの積み重ね時に過度な問題が発生しやすいため、低度(ロングテール)アイテムの推奨が低下し、表現性やスケーラビリティが制限される可能性がある。 本稿では、上記の問題を統一的に解くための新しいフレームワークである空間自己回帰符号化(SAC)を提案する。 近接および高次情報を適切に活用するために,新しい空間自己回帰パラダイムを考案する。 具体的には、まず、まずランダムにマルチホップ隣人をマスクし、周囲のすべての隣接ノードを明示的なマルチホップアテンションに統合することにより、ターゲットノードを埋め込む。 そこで我々は,新しいハードネガティブサンプリング戦略を備えた,符号化とマスク付き隣人の埋め込みを対比して,対象ノードの隣接予測符号を学習するモデルを補強する。 周辺住民の冗長さを最小限に抑えるために,対象予測符号化とマスク付き近隣住民の埋め込みの相互情報を最大化し,同時に符号化と周辺近隣住民の埋め込みを制限し,近隣住民の冗長さを最小限に抑える。 パブリックレコメンデーションデータセットと実シナリオのWebスケールデータセットであるDouyin-Friend-Recommendationの実験結果は、最先端の手法と比較してSACの優位性を示している。

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)
• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• AGNN: Alternating Graph-Regularized Neural Networks to Alleviate Over-Smoothing [29.618952407794776]
  グラフ畳み込み層(GCL)とグラフ埋め込み層(GEL)からなる交代グラフ正規化ニューラルネットワーク(AGNN)を提案する。 GELはラプラシアン埋め込み項を含むグラフ正規化最適化から導かれる。 AGNNは、いくつかの多層または多次グラフニューラルネットワークのパフォーマンス比較を含む、多数の実験を通じて評価されている。
  論文  参考訳（メタデータ） (2023-04-14T09:20:03Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning [29.482674624323835]
  そこで我々は,NCL(Nighborhood-enriched Contrastive Learning)という新しいコントラスト学習手法を提案する。 相互作用グラフ上の構造的隣人に対しては、ユーザ(またはアイテム)とその構造的隣人を正のコントラスト的対とみなす新しい構造的対照的な目的を開発する。 実装では、ユーザ(またはアイテム)と隣人の表現は異なるGNN層の出力に対応する。
  論文  参考訳（メタデータ） (2022-02-13T04:18:18Z)
• Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning [65.08818785032719]
  グラフネットワーク(GNN)は、構造認識特徴の抽出と伝播によってグラフデータの処理に成功している。 近年,地域と高階の双方からなる拡張された隣人を直接扱えるように,近隣住民に焦点を絞った局所的伝播計画から拡張的伝播計画へと発展してきた。 優れた性能にもかかわらず、既存のアプローチは、局所的および高次隣人の影響を適応的に調整できる効率的で学習可能な拡張伝搬スキームを構築するのにはまだ不十分である。
  論文  参考訳（メタデータ） (2021-12-02T10:35:33Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。