論文の概要: Self-Supervised Hypergraph Transformer for Recommender Systems
- arxiv url: http://arxiv.org/abs/2207.14338v1
- Date: Thu, 28 Jul 2022 18:40:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:06:45.777822
- Title: Self-Supervised Hypergraph Transformer for Recommender Systems
- Title（参考訳）: レコメンダシステムのための自己教師付きハイパーグラフトランスフォーマ
- Authors: Lianghao Xia and Chao Huang and Chuxu Zhang
- Abstract要約: 自己監督型ハイパーグラフ変換器(SHT)
自己監督型ハイパーグラフ変換器(SHT)
ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
- 参考スコア（独自算出の注目度）: 25.07482350586435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have been shown as promising solutions for
collaborative filtering (CF) with the modeling of user-item interaction graphs.
The key idea of existing GNN-based recommender systems is to recursively
perform the message passing along the user-item interaction edge for refining
the encoded embeddings. Despite their effectiveness, however, most of the
current recommendation models rely on sufficient and high-quality training
data, such that the learned representations can well capture accurate user
preference. User behavior data in many practical recommendation scenarios is
often noisy and exhibits skewed distribution, which may result in suboptimal
representation performance in GNN-based models. In this paper, we propose SHT,
a novel Self-Supervised Hypergraph Transformer framework (SHT) which augments
user representations by exploring the global collaborative relationships in an
explicit way. Specifically, we first empower the graph neural CF paradigm to
maintain global collaborative effects among users and items with a hypergraph
transformer network. With the distilled global context, a cross-view generative
self-supervised learning component is proposed for data augmentation over the
user-item interaction graph, so as to enhance the robustness of recommender
systems. Extensive experiments demonstrate that SHT can significantly improve
the performance over various state-of-the-art baselines. Further ablation
studies show the superior representation ability of our SHT recommendation
framework in alleviating the data sparsity and noise issues. The source code
and evaluation datasets are available at: https://github.com/akaxlh/SHT.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ユーザ-イテム相互作用グラフのモデリングによる協調フィルタリング(CF)のための有望なソリューションとして示されている。
既存のGNNベースのレコメンデータシステムの鍵となる考え方は、エンコードされた埋め込みを書き換えるために、ユーザーとイテムのインタラクションエッジに沿ってメッセージパッシングを再帰的に実行することである。
しかし、その効果にもかかわらず、現在のレコメンデーションモデルのほとんどは、学習された表現が正確なユーザの好みを捉えることができるように、十分に高品質なトレーニングデータに依存している。
多くの実用的なレコメンデーションシナリオにおけるユーザー行動データは、しばしば騒がしく、歪んだ分布を示し、これはgnnベースのモデルで準最適表現性能をもたらす可能性がある。
本稿では,グローバルな協調関係を明示的な方法で探求することにより,ユーザ表現を増強する新しい自己教師付きハイパーグラフトランスフォーマフレームワーク(sht)を提案する。
具体的には、まず、ハイパーグラフトランスフォーマーネットワークを用いたユーザとアイテム間のグローバルな協調効果を維持するために、graph neural cfパラダイムに力を与える。
グローバルな状況下では,ユーザとテムの相互作用グラフ上のデータ拡張のために,クロスビューな自己教師付き学習コンポーネントを提案し,レコメンダシステムの堅牢性を高める。
SHTは様々な最先端のベースラインの性能を大幅に向上させることができる。
さらなるアブレーション研究は、SHTレコメンデーションフレームワークが、データの分散性やノイズ問題を緩和する上で、優れた表現能力を示している。
ソースコードと評価データセットは以下の通りである。
関連論文リスト
- Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。
近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。
我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
論文 参考訳（メタデータ） (2024-02-21T17:58:10Z) - Preference and Concurrence Aware Bayesian Graph Neural Networks for
Recommender Systems [5.465420718331109]
グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。
本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
論文 参考訳（メタデータ） (2023-11-30T11:49:33Z) - 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) - Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。
提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2023-05-08T10:57:56Z) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳（メタデータ） (2023-03-01T05:46:36Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。
HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。
提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文 参考訳（メタデータ） (2022-04-26T10:06:04Z) - 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) - 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) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳（メタデータ） (2020-10-19T21:51:47Z)
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。