Fugu-MT 論文翻訳(概要): Poincar\'{e} Heterogeneous Graph Neural Networks for Sequential Recommendation

論文の概要: Poincar\'{e} Heterogeneous Graph Neural Networks for Sequential Recommendation

arxiv url: http://arxiv.org/abs/2205.11233v1
Date: Mon, 16 May 2022 11:30:25 GMT
ステータス: 処理完了
システム内更新日: 2022-05-29 20:24:42.049810
Title: Poincar\'{e} Heterogeneous Graph Neural Networks for Sequential Recommendation
Title（参考訳）: poincar\'{e}不均一グラフニューラルネットワークによる逐次推薦
Authors: Naicheng Guo, Xiaolei Liu, Shaoshuai Li, Qiongxu Ma, Kaixin Gao, Bing Han, Lin Zheng, Xiaobo Guo
Abstract要約: シーケンシャルレコメンデーション(SR)は、ユーザの行動進化からシーケンシャルパターンをキャプチャすることで、ユーザの好みを学習する。従来の手法は通常、ユークリッド空間下でユーザイテムの分割化を経験的に行うことで、そのような階層的な情報を扱う。逐次パターン情報をモデル化するために,ポアンカー型不均一グラフニューラルネットワークPHGRを提案する。
参考スコア（独自算出の注目度）: 9.3336146650292
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Sequential recommendation (SR) learns users' preferences by capturing the sequential patterns from users' behaviors evolution. As discussed in many works, user-item interactions of SR generally present the intrinsic power-law distribution, which can be ascended to hierarchy-like structures. Previous methods usually handle such hierarchical information by making user-item sectionalization empirically under Euclidean space, which may cause distortion of user-item representation in real online scenarios. In this paper, we propose a Poincar\'{e}-based heterogeneous graph neural network named PHGR to model the sequential pattern information as well as hierarchical information contained in the data of SR scenarios simultaneously. Specifically, for the purpose of explicitly capturing the hierarchical information, we first construct a weighted user-item heterogeneous graph by aliening all the user-item interactions to improve the perception domain of each user from a global view. Then the output of the global representation would be used to complement the local directed item-item homogeneous graph convolution. By defining a novel hyperbolic inner product operator, the global and local graph representation learning are directly conducted in Poincar\'{e} ball instead of commonly used projection operation between Poincar\'{e} ball and Euclidean space, which could alleviate the cumulative error issue of general bidirectional translation process. Moreover, for the purpose of explicitly capturing the sequential dependency information, we design two types of temporal attention operations under Poincar\'{e} ball space. Empirical evaluations on datasets from the public and financial industry show that PHGR outperforms several comparison methods.
Abstract（参考訳）: シーケンシャルレコメンデーション(SR)は、ユーザの行動進化からシーケンシャルパターンをキャプチャすることで、ユーザの好みを学習する。多くの研究で議論されているように、SR のユーザ・イテム相互作用は一般に、階層構造に昇降できる固有のパワー・ロー分布を示す。従来の手法では、ユークリッド空間下でユーザイデムの分割化を経験的に行うことで、実際のオンラインシナリオにおけるユーザイデム表現の歪みを引き起こすことがある。本稿では,逐次パターン情報とsrシナリオのデータに含まれる階層情報を同時にモデル化するために,poincar\'{e}ベースのヘテロジニアスグラフニューラルネットワークであるphgrを提案する。具体的には、階層的な情報を明示的に把握するために、まず、各ユーザの認識領域をグローバルな視点から改善するために、すべてのユーザ・イテム相互作用を疎外して重み付きユーザ・イテム不均一グラフを構築する。すると、大域表現の出力は、局所有向アイテム-等質グラフの畳み込みを補完するために使われる。新たな双曲的内積作用素を定義することにより、大域的および局所的なグラフ表現学習は、ポアンカル(英語版)球とユークリッド空間の間の一般的な射影演算ではなく、ポインカル(英語版)球内で直接実行される。さらに,逐次依存情報を明示的に把握するために,poincar\'{e} 球空間下での2種類の時間的注意操作を設計する。公共および金融業界のデータセットに対する実証的な評価は、PHGRがいくつかの比較方法より優れていることを示している。

関連論文リスト

FedGT: Federated Node Classification with Scalable Graph Transformer [27.50698154862779]
本稿では,スケーラブルな textbfFederated textbfGraph textbfTransformer (textbfFedGT) を提案する。 FedGTは、最適なトランスポートで整列したグローバルノードに基づいて、クライアントの類似性を計算する。
論文参考訳（メタデータ） (2024-01-26T21:02:36Z)
Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-05-18T07:27:18Z)
Omni-Granular Ego-Semantic Propagation for Self-Supervised Graph Representation Learning [6.128446481571702]
下流ノードとグラフレベルの分類タスクでは,教師なし/自己教師付きグラフ表現学習が重要である。インスタンス適応型グローバル・アウェア・エゴ・セマンティック・ディスクリプタを提案する。ディスクリプタは、ローカルグラフの畳み込みに、新しい隣接ノードとして明示的に統合することができる。
論文参考訳（メタデータ） (2022-05-31T12:31:33Z)
Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。 GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
論文参考訳（メタデータ） (2022-05-30T03:53:31Z)
FedAvg with Fine Tuning: Local Updates Lead to Representation Learning [54.65133770989836]
Federated Averaging (FedAvg)アルゴリズムは、クライアントノードでのいくつかのローカルな勾配更新と、サーバでのモデル平均更新の交互化で構成されている。我々は、FedAvgの出力の一般化の背景には、クライアントのタスク間の共通データ表現を学習する能力があることを示す。異種データを用いたフェデレーション画像分類におけるFedAvgの表現学習能力を示す実証的証拠も提供する。
論文参考訳（メタデータ） (2022-05-27T00:55:24Z)
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)
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)
Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
論文参考訳（メタデータ） (2022-02-13T10:54:59Z)
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文参考訳（メタデータ） (2021-09-24T07:44:27Z)
Non-Local Feature Aggregation on Graphs via Latent Fixed Data Structures [26.856125311222986]
グラフニューラルネットワーク(GNN)におけるグローバルな特徴集約のための新しいアプローチを提案する。本稿では,ループ,3次元テンソル(画像),シーケンス,データ駆動グラフ,抽出したローカル特徴ベクトルを分類・分布するアルゴリズムなど,複数のLFDSを紹介する。提案手法の計算複雑性は入力グラフの順序と線形であるが、競合性やより良い結果が得られる。
論文参考訳（メタデータ） (2021-08-16T11:43:04Z)
Bipartite Graph Embedding via Mutual Information Maximization [8.382665371140503]
バイパートグラフの埋め込みは、様々なアプリケーションドメインで広く使われているため、多くの注目を集めている。我々は,新しい局所的グローバルインフォマックス目標を導入することにより,このようなグローバル特性を捉えるためにbigiと呼ばれる2部グラフ埋め込みを提案する。提案モデルは,top-kレコメンデーションとリンク予測のための様々なベンチマークデータセット上で評価される。
論文参考訳（メタデータ） (2020-12-10T04:03:39Z)

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。