論文の概要: Collaboration-Aware Graph Convolutional Networks for Recommendation
Systems
- arxiv url: http://arxiv.org/abs/2207.06221v1
- Date: Sun, 3 Jul 2022 18:03:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-17 17:11:48.225832
- Title: Collaboration-Aware Graph Convolutional Networks for Recommendation
Systems
- Title(参考訳): 協調型レコメンデーションシステムのためのグラフ畳み込みネットワーク
- Authors: Yu Wang, Yuying Zhao, Yi Zhang, Tyler Derr
- Abstract要約: グラフニューラルネットワーク(GNN)はレコメンデーションシステムでうまく採用されている。
メッセージパッシングは、埋め込みプロセスに協調的な効果を暗黙的に注入する。
メッセージパッシングが協調的な効果をいかに捉えているのかを包括的に調査する研究はない。
我々は、推薦調整されたGNN、Augmented Collaboration-Aware Graph Conal Network (CAGCN*)を提案する。
- 参考スコア(独自算出の注目度): 14.893579746643814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: By virtue of the message-passing that implicitly injects collaborative effect
into the embedding process, Graph Neural Networks (GNNs) have been successfully
adopted in recommendation systems. Nevertheless, most of existing
message-passing mechanisms in recommendation are directly inherited from GNNs
without any recommendation-tailored modification. Although some efforts have
been made towards simplifying GNNs to improve the performance/efficiency of
recommendation, no study has comprehensively scrutinized how message-passing
captures collaborative effect and whether the captured effect would benefit the
prediction of user preferences over items. Therefore, in this work we aim to
demystify the collaborative effect captured by message-passing in GNNs and
develop new insights towards customizing message-passing for recommendation.
First, we theoretically analyze how message-passing captures and leverages the
collaborative effect in predicting user preferences. Then, to determine whether
the captured collaborative effect would benefit the prediction of user
preferences, we propose a recommendation-oriented topological metric, Common
Interacted Ratio (CIR), which measures the level of interaction between a
specific neighbor of a node with the rest of its neighborhood set. Inspired by
our theoretical and empirical analysis, we propose a recommendation-tailored
GNN, Augmented Collaboration-Aware Graph Convolutional Network (CAGCN*), that
extends upon the LightGCN framework and is able to selectively pass information
of neighbors based on their CIR via the Collaboration-Aware Graph Convolution.
Experimental results on six benchmark datasets show that CAGCN* outperforms the
most representative GNN-based recommendation model, LightGCN, by 9% in
Recall@20 and also achieves more than 79% speedup. Our code is publicly
available at https://github.com/YuWVandy/CAGCN.
- Abstract(参考訳): 埋め込みプロセスに暗黙的に協調効果を注入するメッセージパッシングによって、グラフニューラルネットワーク(gnns)が推奨システムでうまく採用されている。
それでも、レコメンデーションにおける既存のメッセージパッシング機構のほとんどは、レコメンデーションを調整せずにGNNから直接継承される。
GNNを簡素化してレコメンデーションの性能/効率を向上させる努力は行われているが、メッセージパッシングが協調効果をどのように捉え、捕獲効果がアイテムよりもユーザの好みを予測するのに役立つかを包括的に調査する研究は行われていない。
そこで本研究では,GNNにおけるメッセージパッシングによるコラボレーティブ効果の解明と,レコメンデーションのためにメッセージパッシングをカスタマイズするための新たな洞察の開発を目的としている。
まず,理論上,メッセージパッシングがユーザの好みを予測する上での協調効果をどのように捉え,活用するかを解析する。
次に,ユーザの好みの予測に寄与するかどうかを判断するために,ノードの特定の近傍と周辺集合の他の部分との相互作用レベルを測定する推奨指向トポロジーメトリックであるcommon interactioned ratio(cir)を提案する。
光GCNフレームワーク上に拡張され、コラボレーション・アウェア・グラフ・コンボリューション(CIR)を介して隣人の情報を選択的に渡すことができる、推奨調整型GNN(Augmented Collaboration-Aware Graph Convolutional Network, CAGCN*)を提案する。
6つのベンチマークデータセットの実験結果は、CAGCN*が最も代表的なGNNベースのレコメンデーションモデルであるLightGCNをRecall@20で9%上回り、79%以上のスピードアップを達成したことを示している。
私たちのコードはhttps://github.com/yuwvandy/cagcnで公開されています。
関連論文リスト
- 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) - Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。
提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文 参考訳(メタデータ) (2023-11-20T15:01:33Z) - 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) - How Expressive are Graph Neural Networks in Recommendation? [17.31401354442106]
グラフニューラルネットワーク(GNN)は、レコメンデーションを含むさまざまなグラフ学習タスクにおいて、優れたパフォーマンスを示している。
近年、GNNの表現性を調査し、メッセージパッシングGNNがWeisfeiler-Lehmanテストと同じくらい強力であることを実証している。
本稿では,GNNがノード間の構造的距離を捉える能力を評価するために,位相的近接度尺度を提案する。
論文 参考訳(メタデータ) (2023-08-22T02:17:34Z) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳(メタデータ) (2023-08-21T15:57:57Z) - Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems [4.026354668375411]
本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
論文 参考訳(メタデータ) (2023-02-21T09:47:27Z) - An Adaptive Graph Pre-training Framework for Localized Collaborative
Filtering [79.17319280791237]
局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。
ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。
ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
論文 参考訳(メタデータ) (2021-12-14T06:53:13Z) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳(メタデータ) (2021-08-12T06:09:18Z) - 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) - LightGCN: Simplifying and Powering Graph Convolution Network for
Recommendation [100.76229017056181]
Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。
本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。
我々は,光GCNと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-02-06T06:53:42Z)
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。