論文の概要: LightGCL: Simple Yet Effective Graph Contrastive Learning for
Recommendation
- arxiv url: http://arxiv.org/abs/2302.08191v3
- Date: Wed, 14 Jun 2023 14:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-17 02:17:18.225615
- Title: LightGCL: Simple Yet Effective Graph Contrastive Learning for
Recommendation
- Title(参考訳): LightGCL:レコメンデーションのためのシンプルで効果的なグラフコントラスト学習
- Authors: Xuheng Cai, Chao Huang, Lianghao Xia, Xubin Ren
- Abstract要約: グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。
本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
- 参考スコア(独自算出の注目度): 9.181689366185038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural network (GNN) is a powerful learning approach for graph-based
recommender systems. Recently, GNNs integrated with contrastive learning have
shown superior performance in recommendation with their data augmentation
schemes, aiming at dealing with highly sparse data. Despite their success, most
existing graph contrastive learning methods either perform stochastic
augmentation (e.g., node/edge perturbation) on the user-item interaction graph,
or rely on the heuristic-based augmentation techniques (e.g., user clustering)
for generating contrastive views. We argue that these methods cannot well
preserve the intrinsic semantic structures and are easily biased by the noise
perturbation. In this paper, we propose a simple yet effective graph
contrastive learning paradigm LightGCL that mitigates these issues impairing
the generality and robustness of CL-based recommenders. Our model exclusively
utilizes singular value decomposition for contrastive augmentation, which
enables the unconstrained structural refinement with global collaborative
relation modeling. Experiments conducted on several benchmark datasets
demonstrate the significant improvement in performance of our model over the
state-of-the-arts. Further analyses demonstrate the superiority of LightGCL's
robustness against data sparsity and popularity bias. The source code of our
model is available at https://github.com/HKUDS/LightGCL.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。
近年, コントラスト学習と統合されたGNNは, 高度にスパースなデータを扱うことを目的としたデータ拡張方式により, 優れた性能を示した。
その成功にもかかわらず、既存のグラフのコントラスト学習手法のほとんどは、ユーザ-itemの相互作用グラフ上で確率的拡張(ノード/エッジの摂動)を行うか、あるいはコントラスト的なビューを生成するためにヒューリスティックベースの拡張技術(ユーザクラスタリングなど)に依存する。
これらの手法は本質的な意味構造を十分に保ち得ず、ノイズの摂動によって容易にバイアスを受けることができる。
本稿では,これらの問題を緩和し,CLベースのレコメンデータの汎用性と堅牢性を損なう,簡易で効果的なグラフコントラッシブ学習パラダイムLightGCLを提案する。
本モデルでは, コントラスト拡張のために特異値分解を排他的に活用し, 協調関係モデリングによる制約のない構造改善を可能にする。
いくつかのベンチマークデータセットで行った実験は、最先端のモデルよりもモデルの性能が大幅に向上したことを示している。
さらなる分析は、データスパーシリティと人気バイアスに対するLightGCLの頑健さの優位性を示している。
私たちのモデルのソースコードはhttps://github.com/HKUDS/LightGCLで公開されています。
関連論文リスト
- Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation [2.9449497738046078]
グラフニューラルネットワーク(GNN)は、推薦システムのための強力な学習方法である。
近年,コントラスト学習とGNNの統合は,レコメンデータシステムにおいて顕著な性能を示している。
本研究は,LFA-GCLと呼ばれる潜在因子分析(LFA)強化GCLアプローチを提案する。
論文 参考訳(メタデータ) (2024-08-09T03:24:48Z) - Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳(メタデータ) (2024-06-27T08:26:20Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - 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) - Adversarial Learning Data Augmentation for Graph Contrastive Learning in
Recommendation [56.10351068286499]
グラフコントラスト学習のための学習可能なデータ拡張法(LDA-GCL)を提案する。
提案手法は,InfoMin と InfoMax の原則に従うデータ強化学習とグラフコントラスト学習を含む。
本手法は,データ拡張とユーザやアイテムの効果的な表現を学習するために,対向損失関数を最適化する。
論文 参考訳(メタデータ) (2023-02-05T06:55:51Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳(メタデータ) (2022-12-08T23:36:00Z) - FastGCL: Fast Self-Supervised Learning on Graphs via Contrastive
Neighborhood Aggregation [26.07819501316758]
よりコントラスト的なスキームは、グラフニューラルネットワークの特性に合わせて調整されるべきである、と我々は主張する。
重み付けと非集約の近傍情報をそれぞれ正と負のサンプルとして構成することにより、FastGCLはデータの潜在的な意味情報を識別する。
ノード分類とグラフ分類のタスクについて実験を行い、FastGCLは競合する分類性能と重要なトレーニングスピードアップを有することを示した。
論文 参考訳(メタデータ) (2022-05-02T13:33:43Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳(メタデータ) (2022-01-17T11:57:29Z) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳(メタデータ) (2020-10-22T20:13:43Z) - Iterative Deep Graph Learning for Graph Neural Networks: Better and
Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。
実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文 参考訳(メタデータ) (2020-06-21T19:49:15Z)
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。