論文の概要: LFGCF: Light Folksonomy Graph Collaborative Filtering for Tag-Aware
Recommendation
- arxiv url: http://arxiv.org/abs/2208.03454v1
- Date: Sat, 6 Aug 2022 07:06:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:07:45.942507
- Title: LFGCF: Light Folksonomy Graph Collaborative Filtering for Tag-Aware
Recommendation
- Title（参考訳）: LFGCF: タグ対応レコメンデーションのための光フォークソノミーグラフ協調フィルタ
- Authors: Yin Zhang, Can Xu, XianJun Wu, Yan Zhang, LiGang Dong, Weigang Wang
- Abstract要約: 光フォークソノミーグラフ協調フィルタリング(LFGCF)と呼ばれる新しいタグ認識レコメンデーションモデルを提案する。
LFGCFはまず、タグとタグ付けされたアイテムのレコードからFolksonomy Graphsを構築する。
ユーザとアイテム間の情報ギャップを埋めるために、タグの埋め込みを共有します。
- 参考スコア（独自算出の注目度）: 17.383730842773854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tag-aware recommendation is a task of predicting a personalized list of items
for a user by their tagging behaviors. It is crucial for many applications with
tagging capabilities like last.fm or movielens. Recently, many efforts have
been devoted to improving Tag-aware recommendation systems (TRS) with Graph
Convolutional Networks (GCN), which has become new state-of-the-art for the
general recommendation. However, some solutions are directly inherited from GCN
without justifications, which is difficult to alleviate the sparsity,
ambiguity, and redundancy issues introduced by tags, thus adding to
difficulties of training and degrading recommendation performance.
In this work, we aim to simplify the design of GCN to make it more concise
for TRS. We propose a novel tag-aware recommendation model named Light
Folksonomy Graph Collaborative Filtering (LFGCF), which only includes the
essential GCN components. Specifically, LFGCF first constructs Folksonomy
Graphs from the records of user assigning tags and item getting tagged. Then we
leverage the simple design of aggregation to learn the high-order
representations on Folksonomy Graphs and use the weighted sum of the embeddings
learned at several layers for information updating. We share tags embeddings to
bridge the information gap between users and items. Besides, a regularization
function named TransRT is proposed to better depict user preferences and item
features. Extensive hyperparameters experiments and ablation studies on three
real-world datasets show that LFGCF uses fewer parameters and significantly
outperforms most baselines for the tag-aware top-N recommendations.
- Abstract（参考訳）: タグ認識レコメンデーション(tag-aware recommendation)は、タグ付け動作によって、ユーザのためのアイテムのパーソナライズされたリストを予測するタスクである。
last.fmやmovielensのようなタグ付け機能を持つ多くのアプリケーションにとって非常に重要である。
近年,グラフ畳み込みネットワーク (GCN) によるタグ認識レコメンデーションシステム (TRS) の改良に多くの努力が注がれている。
しかし、いくつかのソリューションはGCNから直接継承されるため、タグによって導入されたスパーシリティ、あいまいさ、冗長性の問題を緩和することは困難であり、トレーニングやレコメンデーションパフォーマンスの低下が困難になる。
本稿では,GCNの設計を簡略化し,RTSをより簡潔にすることを目的とする。
本稿では,重要なGCNコンポーネントのみを含む,光フォークソノミーグラフ協調フィルタリング(LFGCF)と呼ばれる新しいタグ認識レコメンデーションモデルを提案する。
具体的には、LFGCFは最初に、タグとタグ付けされたアイテムのレコードからFolksonomy Graphsを構築する。
次に,アグリゲーションのシンプルな設計を用いて,ソノミーグラフの高次表現を学習し,複数のレイヤで学習した埋め込みの重み付け和を用いて情報更新を行う。
ユーザーとアイテム間の情報ギャップを埋めるために、埋め込みタグを共有します。
さらに、ユーザの好みやアイテムの特徴をよりよく表現するために、TransRTという正規化関数が提案されている。
3つの実世界のデータセットに対する大規模なハイパーパラメータ実験とアブレーション研究により、LFGCFはパラメータを少なくし、タグ対応のトップNレコメンデーションのベースラインを著しく上回っている。
関連論文リスト
- Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。
KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。
提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
論文 参考訳（メタデータ） (2024-03-21T13:09:23Z) - Graph Regularized Encoder Training for Extreme Classification [30.3270895997248]
RAMENは最大100万のラベルを持つデータセットにスケールし、ベンチマークデータセット上での予測精度を、最先端のメソッドよりも最大15%高く提供する。
RAMENはまた、人気のある検索エンジンのクリックログから得られたプロプライエタリなレコメンデーションデータセットに対して、最高のベースラインよりも10%高い精度を提供する。
論文 参考訳（メタデータ） (2024-02-28T16:00:25Z) - 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) - 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) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Item Tagging for Information Retrieval: A Tripartite Graph Neural
Network based Approach [44.75731013014112]
本稿では,アイテムノードとタグノード間のリンク予測問題として,アイテムタグの定式化を提案する。
この定式化により、多種類のノードとエッジを持つ異種グラフニューラルネットワークを利用するTagGNNモデルが得られる。
オープンデータセットとインダストリアルデータセットの両方の実験結果から,我々のTagGNNアプローチは最先端のマルチラベル分類手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-08-26T13:58:19Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - RGCF: Refined Graph Convolution Collaborative Filtering with concise and
expressive embedding [42.46797662323393]
我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。
RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。
我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
論文 参考訳（メタデータ） (2020-07-07T12:26:10Z) - Adversarial Learning for Personalized Tag Recommendation [61.76193196463919]
大規模データセットでトレーニング可能なエンドツーエンドのディープネットワークを提案する。
ユーザの嗜好と視覚的エンコーディングの合同トレーニングにより、ネットワークは視覚的嗜好をタグ付け行動と効率的に統合することができる。
本稿では,提案モデルの有効性を2つの大規模および公開データセットで示す。
論文 参考訳（メタデータ） (2020-04-01T20:41:41Z) - 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) - 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。