論文の概要: Efficient and Scalable Recommendation via Item-Item Graph Partitioning

• arxiv url: http://arxiv.org/abs/2207.05959v1
• Date: Wed, 13 Jul 2022 04:37:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 02:26:51.579185
• Title: Efficient and Scalable Recommendation via Item-Item Graph Partitioning
• Title（参考訳）: 項目グラフ分割による効率的かつスケーラブルなレコメンデーション
• Authors: Tianjun Wei, Jianghong Ma, Tommy W. S. Chow
• Abstract要約: 協調フィルタリング(CF)はレコメンダシステムにおいて広く研究されている問題である。 アイテム-イットグラフ分割(ERGP)による効率的かつスケーラブルなレコメンデーションを提案する。
• 参考スコア（独自算出の注目度）: 10.390315462253726
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Collaborative filtering (CF) is a widely searched problem in recommender systems. Linear autoencoder is a kind of well-established method for CF, which estimates item-item relations through encoding user-item interactions. Despite the excellent performance of linear autoencoders, the rapidly increasing computational and storage costs caused by the growing number of items limit their scalabilities in large-scale real-world scenarios. Recently, graph-based approaches have achieved success on CF with high scalability, and have been shown to have commonalities with linear autoencoders in user-item interaction modeling. Motivated by this, we propose an efficient and scalable recommendation via item-item graph partitioning (ERGP), aiming to address the limitations of linear autoencoders. In particular, a recursive graph partitioning strategy is proposed to ensure that the item set is divided into several partitions of finite size. Linear autoencoders encode user-item interactions within partitions while preserving global information across the entire item set. This allows ERGP to have guaranteed efficiency and high scalability when the number of items increases. Experiments conducted on 3 public datasets and 3 open benchmarking datasets demonstrate the effectiveness of ERGP, which outperforms state-of-the-art models with lower training time and storage costs.
• Abstract（参考訳）: コラボレーティブフィルタリング(cf)はレコメンダシステムにおいて広く研究されている問題である。 リニアオートエンコーダ(linear autoencoder)はcfの確立された手法の一種であり、ユーザとアイテムの相互作用をエンコードすることでアイテム間関係を推定する。 リニアオートエンコーダの優れた性能にもかかわらず、アイテム数の増加による計算コストとストレージコストの急増は、大規模な実世界のシナリオにおけるスカラリティを制限している。 近年、グラフベースのアプローチは高いスケーラビリティでcfで成功し、ユーザ・テーマインタラクションモデリングにおいてリニアオートエンコーダと共通点があることが示されている。 そこで本研究では,線形オートエンコーダの限界に対処するため,アイテム-イットグラフ分割(ERGP)による効率的かつスケーラブルなレコメンデーションを提案する。 特に、アイテム集合を有限サイズのいくつかの分割に分割するために再帰グラフ分割戦略が提案されている。 線形オートエンコーダは、アイテムセット全体にわたってグローバル情報を保持しながら、パーティション内のユーザ-イテムインタラクションをエンコードする。 これにより、ERGPはアイテム数が増えると効率性と高いスケーラビリティを保証できる。 3つの公開データセットと3つのオープンベンチマークデータセットで実施された実験は、ERGPの有効性を示している。

関連論文リスト

• Scalable Cross-Entropy Loss for Sequential Recommendations with Large Item Catalogs [4.165917157093442]
  本稿では,シーケンシャルラーニング・セットアップにおいて,新しいスケーラブルクロスエントロピー(SCE)損失関数を提案する。 大規模なカタログを持つデータセットのCE損失を近似し、推奨品質を損なうことなく、時間効率とメモリ使用量の両方を向上する。 複数のデータセットに対する実験結果から,SCEのピークメモリ使用率を最大100倍に抑える効果が示された。
  論文  参考訳（メタデータ） (2024-09-27T13:17:59Z)
• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Fine-grainedly Synthesize Streaming Data Based On Large Language Models With Graph Structure Understanding For Data Sparsity [24.995442293434643]
  ユーザデータの膨大さのため、Eコマースプラットフォームにおけるユーザレビューに対する感情分析は、しばしばパフォーマンスの低下に悩まされる。 スパースユーザを3つのカテゴリ(Mid-tail, Long-tail, Extreme)に分類する,詳細なストリーミングデータ合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-10T08:59:04Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• 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)
• Highly Parallel Autoregressive Entity Linking with Discriminative Correction [51.947280241185]
  自己回帰リンクを全ての潜在的な言及に対して並列化する,非常に効率的な手法を提案する。 我々のモデルは以前の生成法より70倍高速で精度が高い。
  論文  参考訳（メタデータ） (2021-09-08T17:28:26Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)

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。