論文の概要: Efficient Graph based Recommender System with Weighted Averaging of Messages

• arxiv url: http://arxiv.org/abs/2209.15238v1
• Date: Fri, 30 Sep 2022 05:10:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 16:09:30.454953
• Title: Efficient Graph based Recommender System with Weighted Averaging of Messages
• Title（参考訳）: 重み付き平均メッセージを用いた効率的なグラフベースレコメンダシステム
• Authors: Faizan Ahemad
• Abstract要約: 我々は常設のソフトアイテムコールドスタート問題に直面するレコメンデーションシステム問題に対する新しい解決策を提示する。 当社のシステムは、Amazonストアに上場する見込みの売り手に対して、需要のある商品を推薦することを目的としている。 フィルタリング手法を用いてグラフのサイズを縮小し,WAML(Weighted Averaging of Messages over Layers)アルゴリズムを用いて,この削減された製品グラフを利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We showcase a novel solution to a recommendation system problem where we face a perpetual soft item cold start issue. Our system aims to recommend demanded products to prospective sellers for listing in Amazon stores. These products always have only few interactions thereby giving rise to a perpetual soft item cold start situation. Modern collaborative filtering methods solve cold start using content attributes and exploit the existing implicit signals from warm start items. This approach fails in our use-case since our entire item set faces cold start issue always. Our Product Graph has over 500 Million nodes and over 5 Billion edges which makes training and inference using modern graph algorithms very compute intensive. To overcome these challenges we propose a system which reduces the dataset size and employs an improved modelling technique to reduce storage and compute without loss in performance. Particularly, we reduce our graph size using a filtering technique and then exploit this reduced product graph using Weighted Averaging of Messages over Layers (WAML) algorithm. WAML simplifies training on large graphs and improves over previous methods by reducing compute time to 1/7 of LightGCN and 1/26 of Graph Attention Network (GAT) and increasing recall$@100$ by 66% over LightGCN and 2.3x over GAT.
• Abstract（参考訳）: 我々は,永久にソフトアイテムのコールドスタート問題に直面するレコメンデーションシステム問題に対する新しい解決策を示す。 当社のシステムは,amazonストアに登録する希望販売者に対して,推奨商品を推薦することを目的としています。 これらの製品は常にわずかな相互作用しか持たず、永久にソフトアイテムのコールドスタート状態を引き起こす。 現代の協調フィルタリング手法は、コンテンツ属性を使用してコールドスタートを解決し、ウォームスタートアイテムから既存の暗黙の信号を利用する。 このアプローチは、すべてのアイテムセットが常にコールドスタート問題に直面しているため、ユースケースでは失敗する。 当社の製品グラフには5億のノードと50億のエッジがあり、現代のグラフアルゴリズムを使用したトレーニングと推論は非常に計算集約的です。 これらの課題を克服するため,我々は,データセットサイズを削減し,ストレージを削減し,性能を損なうことなく計算を行うためのモデリング手法を改良したシステムを提案する。 特に、フィルタリング技術を用いてグラフサイズを削減し、この縮小された製品グラフを、層(waml)アルゴリズムによる重み付け平均化を用いて活用する。 WAMLは大きなグラフのトレーニングを単純化し、計算時間を1/7のLightGCNと1/26のGraph Attention Network(GAT)に短縮し、リコールを$$100$を66%、GATを2.3倍増やすことにより、従来の方法よりも改善している。

関連論文リスト

• Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
  本稿では,アイテムコールドスタート問題に対処するために,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。
  論文  参考訳（メタデータ） (2024-11-18T01:30:34Z)
• Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
  Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。 グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。 我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-28T18:36:59Z)
• LightSAGE: Graph Neural Networks for Large Scale Item Retrieval in Shopee's Advertisement Recommendation [2.1165011830664677]
  我々は、グラフ構築、モデリング、データ歪の扱いにおいて、単純で斬新でインパクトに富んだテクニックを紹介します。 我々は,強信号ユーザ行動と高精度協調フィルタリング(CF)アルゴリズムを組み合わせることで,高品質な項目グラフを構築する。 そこで我々はLightSAGEと呼ばれる新しいGNNアーキテクチャを開発し、ベクトル探索のための高品質なアイテムの埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-10-30T09:57:06Z)
• Distill to Delete: Unlearning in Graph Networks with Knowledge Distillation [10.335361310419826]
  グラフアンラーニングは、事前学習されたグラフニューラルネットワーク(GNN)から情報を削除するための重要な方法である 我々の研究は、知識蒸留によるグラフアンラーニングにおけるこれらの課題に、GNN(D2DGN)で除去する新たなアプローチを採っている。 D2DGNは、エッジおよびノードアンラーニングタスクにおいて、様々な実世界のグラフデータセットで評価された場合、既存のメソッドのパフォーマンスを最大43.1%(AUC)まで上回る。
  論文  参考訳（メタデータ） (2023-09-28T05:09:14Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
  最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。 我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。 本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
  論文  参考訳（メタデータ） (2022-04-28T12:00:39Z)
• Very Deep Graph Neural Networks Via Noise Regularisation [57.450532911995516]
  グラフニューラルネットワーク(GNN)は、入力グラフを介して学習されたメッセージパッシングを実行する。 最大100のメッセージパッシングステップを持つディープGNNをトレーニングし、いくつかの最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-15T08:50:10Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks [18.81183804581575]
  我々は、一般的に使われている相互作用グラフではなく属性グラフを利用して、新しいフレームワークAttribute Graph Neural Networks (AGNN) を開発した。 AGNNは、拡張された変分自動エンコーダ構造を用いて属性の分布を学習することにより、寒冷なユーザ/イテムに対する好みの埋め込みを生成することができる。 そこで本研究では,周辺地域における様々なモーダルの属性を効果的に集約するために,新しいグラフニューラルネットワーク変種であるgate-GNNを提案する。
  論文  参考訳（メタデータ） (2019-12-28T04:07:55Z)

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。