論文の概要: KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph Convolutions for Recommendation

• arxiv url: http://arxiv.org/abs/2205.12102v1
• Date: Mon, 23 May 2022 09:34:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 10:58:50.773260
• Title: KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph Convolutions for Recommendation
• Title（参考訳）: KQGC:リコメンデーションのためのグラフ畳み込みの効果を用いた知識グラフ埋め込み
• Authors: Daisuke Kikuta, Toyotaro Suzumura, Md Mostafizur Rahman, Yu Hirate, Satyen Abrol, Manoj Kondapaka, Takuma Ebisu, Pablo Loyola
• Abstract要約: 我々はKQGC(Knowledge Query-based Graph Convolution)と呼ばれるリコメンデータシステムのための新しいモデルを提案する。 KQGCは平滑化に焦点を当て、KGEを平滑化するために単純な線形グラフ畳み込みを利用する。 提案したKQGCを,特定の製品のユーザを対象としたレコメンデーションタスクに適用する。
• 参考スコア（独自算出の注目度）: 3.264007084815591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leveraging graphs on recommender systems has gained popularity with the development of graph representation learning (GRL). In particular, knowledge graph embedding (KGE) and graph neural networks (GNNs) are representative GRL approaches, which have achieved the state-of-the-art performance on several recommendation tasks. Furthermore, combination of KGE and GNNs (KG-GNNs) has been explored and found effective in many academic literatures. One of the main characteristics of GNNs is their ability to retain structural properties among neighbors in the resulting dense representation, which is usually coined as smoothing. The smoothing is specially desired in the presence of homophilic graphs, such as the ones we find on recommender systems. In this paper, we propose a new model for recommender systems named Knowledge Query-based Graph Convolution (KQGC). In contrast to exisiting KG-GNNs, KQGC focuses on the smoothing, and leverages a simple linear graph convolution for smoothing KGE. A pre-trained KGE is fed into KQGC, and it is smoothed by aggregating neighbor knowledge queries, which allow entity-embeddings to be aligned on appropriate vector points for smoothing KGE effectively. We apply the proposed KQGC to a recommendation task that aims prospective users for specific products. Extensive experiments on a real E-commerce dataset demonstrate the effectiveness of KQGC.
• Abstract（参考訳）: グラフ表現学習(GRL)の発展により,レコメンダシステムにおけるグラフの活用が注目されている。 特に、知識グラフ埋め込み(KGE)とグラフニューラルネットワーク(GNN)はGRLの代表的なアプローチであり、いくつかの推奨タスクで最先端のパフォーマンスを達成した。 さらに、KGEとGNNの組み合わせ(KG-GNN)が研究され、多くの学術文献で有効であることが確認されている。 GNNの主な特徴の1つは、結果として生じる密接な表現において、隣人の間で構造的特性を維持する能力である。 滑らか化は、例えばレコメンダシステムで見つかるようなホモフィルグラフの存在において特に望まれる。 本稿では,知識クエリに基づくグラフ畳み込み(KQGC)と呼ばれるレコメンデータシステムのための新しいモデルを提案する。 KG-GNNの排除とは対照的に、KQGCは平滑化に焦点を当て、KGEの平滑化に単純な線形グラフ畳み込みを利用する。 事前学習されたkgeをkqgcに供給し、隣接する知識クエリを集約することで、kgeを効果的に平滑化するための適切なベクトル点上にエンティティ埋め込みをアライン化できるようにする。 提案したKQGCを,特定の製品のユーザを対象としたレコメンデーションタスクに適用する。 実際のEコマースデータセットに関する大規模な実験は、KQGCの有効性を示している。

関連論文リスト

• Criteria Tell You More than Ratings: Criteria Preference-Aware Light Graph Convolution for Effective Multi-Criteria Recommendation [5.536402965666082]
  我々は,GNN支援MCレコメンデータシステムを設計するための最初の試みを行う。 具体的には,光グラフ畳み込みCPA-LGC法を考案した。 この目的のために、まず、MC評価を拡張二部グラフに変換するMC拡張グラフを構築する。 次に、CPA-LGCは、基準優先意識の能力を強化するために、新しく特徴付けられた埋め込みを取り入れている。
  論文  参考訳（メタデータ） (2023-05-30T09:27:36Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
  グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。 本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。 本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-08T11:36:18Z)
• Attention-Based Recommendation On Graphs [9.558392439655012]
  グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著なパフォーマンスを示している。 本研究では,モデルベースレコメンデータシステムとしてGARecを提案する。 提案手法は,既存のモデルベース非グラフニューラルネットワークとグラフニューラルネットワークを異なるMovieLensデータセットで比較した。
  論文  参考訳（メタデータ） (2022-01-04T21:02:02Z)
• 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)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)
• Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
  本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。 理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
  論文  参考訳（メタデータ） (2020-06-12T17:12:51Z)
• Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
  本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。 SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。 本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
  論文  参考訳（メタデータ） (2020-03-15T21:55:24Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。