論文の概要: MultiBiSage: A Web-Scale Recommendation System Using Multiple Bipartite Graphs at Pinterest

• arxiv url: http://arxiv.org/abs/2205.10666v1
• Date: Sat, 21 May 2022 20:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 10:43:31.172853
• Title: MultiBiSage: A Web-Scale Recommendation System Using Multiple Bipartite Graphs at Pinterest
• Title（参考訳）: MultiBiSage: Pinterestの複数の2部グラフを使用したWebスケールレコメンデーションシステム
• Authors: Saket Gurukar, Nikil Pancha, Andrew Zhai, Eric Kim, Samson Hu, Srinivasan Parthasarathy, Charles Rosenberg, Jure Leskovec
• Abstract要約: グラフ畳み込みネットワーク(GCN)はグラフ構造とノードの特徴を効率的に統合し、高品質なノード埋め込みを学習する。 Pinterestでは、Pin-Boardグラフからピン埋め込みを学習するデータ効率のGCNであるPinSageを開発し、デプロイしました。 多様な相互作用を捉えたグラフ上でディープラーニングモデルをトレーニングすることで、高品質なピン埋め込みを学習できることを示す。
• 参考スコア（独自算出の注目度）: 53.3951260443916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Convolutional Networks (GCN) can efficiently integrate graph structure and node features to learn high-quality node embeddings. These embeddings can then be used for several tasks such as recommendation and search. At Pinterest, we have developed and deployed PinSage, a data-efficient GCN that learns pin embeddings from the Pin-Board graph. The Pin-Board graph contains pin and board entities and the graph captures the pin belongs to a board interaction. However, there exist several entities at Pinterest such as users, idea pins, creators, and there exist heterogeneous interactions among these entities such as add-to-cart, follow, long-click. In this work, we show that training deep learning models on graphs that captures these diverse interactions would result in learning higher-quality pin embeddings than training PinSage on only the Pin-Board graph. To that end, we model the diverse entities and their diverse interactions through multiple bipartite graphs and propose a novel data-efficient MultiBiSage model. MultiBiSage can capture the graph structure of multiple bipartite graphs to learn high-quality pin embeddings. We take this pragmatic approach as it allows us to utilize the existing infrastructure developed at Pinterest -- such as Pixie system that can perform optimized random-walks on billion node graphs, along with existing training and deployment workflows. We train MultiBiSage on six bipartite graphs including our Pin-Board graph. Our offline metrics show that MultiBiSage significantly outperforms the deployed latest version of PinSage on multiple user engagement metrics.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)はグラフ構造とノード機能を効率的に統合し、高品質なノード埋め込みを学習する。 これらの埋め込みは、レコメンデーションや検索など、いくつかのタスクに使用できる。 Pinterestでは、Pin-Boardグラフからピン埋め込みを学習するデータ効率のGCNであるPinSageを開発し、デプロイしました。 Pin-Boardグラフはピンとボードのエンティティを含み、グラフはピンをキャプチャしてボードのインタラクションに属する。 しかし、pinterestにはユーザ、アイデアピン、クリエーターなどいくつかのエンティティがあり、add-to-cart、follow、long-clickといったエンティティ間で異質なインタラクションが存在する。 本研究では,これらの多様な相互作用を捉えるグラフ上でのディープラーニングモデルのトレーニングにより,PinSageのトレーニングよりも高品質なピン埋め込みを学習できることを示す。 そこで我々は,複数の二部グラフを用いて多様な実体とその多様な相互作用をモデル化し,新しいデータ効率のMultiBiSageモデルを提案する。 MultiBiSageは、複数の二部グラフのグラフ構造をキャプチャして、高品質なピン埋め込みを学習することができる。 これは10億のノードグラフ上で最適化されたランダムウォークを実行するpixieシステムや、既存のトレーニングやデプロイメントワークフローなど、pinterestで開発された既存のインフラストラクチャを活用可能にするためです。 我々はPin-Boardグラフを含む6つの二部グラフ上でMultiBiSageを訓練する。 当社のオフラインメトリクスは、マルチバイザが複数のユーザのエンゲージメント指標でデプロイされた最新バージョンのpinsageを大幅に上回っていることを示している。

関連論文リスト

• UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs [34.48393396390799]
  マルチモーダルグラフ上での汎用的な表現学習を可能にする新しいクロスドメイングラフ基盤モデルを提案する。 UniGraph2は、グラフニューラルネットワーク(GNN)と共にモダリティ固有のエンコーダを使用して、統一された低次元埋め込み空間を学習する。 我々は,UniGraph2が表現学習,伝達学習,マルチモーダル生成タスクなどのタスクにおいて,最先端モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-02T14:04:53Z)
• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Connector 0.5: A unified framework for graph representation learning [5.398580049917152]
  本稿では,浅層から最先端まで,様々なグラフ埋め込みモデルをカバーする新しいグラフ表現フレームワークを提案する。 我々は,グラフの構造的関係を表現するためのディープグラフ埋め込みモデルを提供する,効率的なオープンソースフレームワークを構築する計画である。
  論文  参考訳（メタデータ） (2023-04-25T23:28:38Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• PersonaSAGE: A Multi-Persona Graph Neural Network [27.680820534771485]
  我々はPersonaSAGEと呼ばれるペルソナベースのグラフニューラルネットワークフレームワークを開発し、グラフの各ノードに対する複数のペルソナベースの埋め込みを学習する。 PersonaSAGEはグラフ内の各ノードに対して適切なペルソナ埋め込みのセットを学習し、各ノードに割り当てられたペルソナ埋め込みの数が異なる可能性がある。 リンク予測を含む様々な重要なタスクに対して,ペルソナサージの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-12-28T05:50:38Z)
• Learnable Graph Convolutional Network and Feature Fusion for Multi-view Learning [30.74535386745822]
  本稿では,Learningable Graph Convolutional Network and Feature Fusion (LGCN-FF) と呼ばれる統合ディープラーニングフレームワークを提案する。 特徴融合ネットワークと学習可能なグラフ畳み込みネットワークの2つのステージで構成されている。 提案したLGCN-FFは,多視点半教師付き分類において,様々な最先端手法よりも優れていることが検証された。
  論文  参考訳（メタデータ） (2022-11-16T19:07:12Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Cross-Network Learning with Partially Aligned Graph Convolutional Networks [21.458260469446863]
  モデル間のノード表現を学習するために,部分整列グラフ畳み込みネットワークを提案する。 実世界の知識グラフと協調ネットワークの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-03T04:07:26Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。