論文の概要: Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph

• arxiv url: http://arxiv.org/abs/2211.01830v1
• Date: Wed, 2 Nov 2022 01:42:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 13:54:14.758997
• Title: Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph
• Title（参考訳）: 社会的三部グラフ上の因子的注意によるランク付けに基づくグループ識別
• Authors: Mingdai Yang, Zhiwei Liu, Liangwei Yang, Xiaolong Liu, Chen Wang, Hao Peng, Philip S. Yu
• Abstract要約: グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
• 参考スコア（独自算出の注目度）: 68.08590487960475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the proliferation of social media, a growing number of users search for and join group activities in their daily life. This develops a need for the study on the ranking-based group identification (RGI) task, i.e., recommending groups to users. The major challenge in this task is how to effectively and efficiently leverage both the item interaction and group participation of users' online behaviors. Though recent developments of Graph Neural Networks (GNNs) succeed in simultaneously aggregating both social and user-item interaction, they however fail to comprehensively resolve this RGI task. In this paper, we propose a novel GNN-based framework named Contextualized Factorized Attention for Group identification (CFAG). We devise tripartite graph convolution layers to aggregate information from different types of neighborhoods among users, groups, and items. To cope with the data sparsity issue, we devise a novel propagation augmentation (PA) layer, which is based on our proposed factorized attention mechanism. PA layers efficiently learn the relatedness of non-neighbor nodes to improve the information propagation to users. Experimental results on three benchmark datasets verify the superiority of CFAG. Additional detailed investigations are conducted to demonstrate the effectiveness of the proposed framework.
• Abstract（参考訳）: ソーシャルメディアの普及により、日々の生活の中でグループ活動を探し、参加するユーザーが増えている。 これは、ランク付けに基づくグループ識別(rgi)タスク、すなわち、ユーザにグループを推奨する研究の必要性を高める。 このタスクにおける大きな課題は、アイテムの相互作用とユーザーのオンライン行動の集団参加の両方を効果的かつ効率的に活用する方法である。 グラフニューラルネットワーク(GNN)の最近の開発は、ソーシャルとイテムの両方の相互作用を同時に集約することに成功しているが、このRGIタスクを包括的に解決することはできなかった。 本稿では,グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は,ユーザ,グループ,アイテム間の異なる種類の近傍情報から情報を集約するために,三成分グラフ畳み込み層を考案する。 データスパーシティ問題に対処するために,我々は,提案する因子化注意機構に基づく新しい伝播拡張(pa)層を考案する。 PA層は非隣接ノードの関連性を効率的に学習し、ユーザへの情報伝達を改善する。 3つのベンチマークデータセットの実験結果からCFAGの優位性を検証した。 提案手法の有効性を実証するため,さらに詳細な調査を行った。

関連論文リスト

• 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)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Self-supervised Graph Learning for Occasional Group Recommendation [28.337475919795008]
  時々グループ(コールドスタートグループ)に商品を推薦する問題について検討する。 アイテムとの相互作用が極端に疎いため、これらのグループに対する高品質な埋め込みを学習することは困難である。 本稿では,グループ/ユーザ/イテムの埋め込みを再構築するために,バックボーンGNNモデルを協調訓練する自己教師付きグラフ学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-04T08:10:06Z)
• Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
  GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。 具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-09-21T13:42:46Z)
• Graph Neural Networks for Inconsistent Cluster Detection in Incremental Entity Resolution [3.4806267677524896]
  成熟したデータリポジトリでは、関係は概ね正しいが、元のデータやエンティティの解決システムにおけるエラーのため、漸進的な改善が必要である。 本稿では,共存しない既存関連製品群である不整合クラスタ(ic)を同定する新しい手法を提案する。 既存のMessage Passing Neural Networkがこのタスクで、従来のグラフ処理技術を上回る性能を発揮することを実証する。
  論文  参考訳（メタデータ） (2021-05-12T20:39:22Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。