論文の概要: Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems
- arxiv url: http://arxiv.org/abs/2302.10567v1
- Date: Tue, 21 Feb 2023 09:47:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 15:37:50.499153
- Title: Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems
- Title（参考訳）: グラフニューラルネットワークに基づくレコメンダシステムにおけるアグリゲーション最適化のためのデュアルポリシー学習
- Authors: Heesoo Jung, Sangpil Kim, Hogun Park
- Abstract要約: 本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
- 参考スコア（独自算出の注目度）: 4.026354668375411
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph Neural Networks (GNNs) provide powerful representations for
recommendation tasks. GNN-based recommendation systems capture the complex
high-order connectivity between users and items by aggregating information from
distant neighbors and can improve the performance of recommender systems.
Recently, Knowledge Graphs (KGs) have also been incorporated into the user-item
interaction graph to provide more abundant contextual information; they are
exploited to address cold-start problems and enable more explainable
aggregation in GNN-based recommender systems (GNN-Rs). However, due to the
heterogeneous nature of users and items, developing an effective aggregation
strategy that works across multiple GNN-Rs, such as LightGCN and KGAT, remains
a challenge. In this paper, we propose a novel reinforcement learning-based
message passing framework for recommender systems, which we call DPAO (Dual
Policy framework for Aggregation Optimization). This framework adaptively
determines high-order connectivity to aggregate users and items using dual
policy learning. Dual policy learning leverages two Deep-Q-Network models to
exploit the user- and item-aware feedback from a GNN-R and boost the
performance of the target GNN-R. Our proposed framework was evaluated with both
non-KG-based and KG-based GNN-R models on six real-world datasets, and their
results show that our proposed framework significantly enhances the recent base
model, improving nDCG and Recall by up to 63.7% and 42.9%, respectively. Our
implementation code is available at https://github.com/steve30572/DPAO/.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リコメンデーションタスクのための強力な表現を提供する。
GNNベースのレコメンデーションシステムは、遠隔地からの情報を集約することで、ユーザとアイテム間の複雑な高次接続を捉え、レコメンデーションシステムの性能を向上させることができる。
近年,知識グラフ (KGs) もユーザと対話グラフに組み込まれ,より豊富なコンテキスト情報を提供し,コールドスタート問題に対処し,GNNベースのレコメンデータシステム (GNN-Rs) においてより説明可能なアグリゲーションを可能にする。
しかし,ユーザとアイテムの異質な性質から,lightgcnやkgatといった複数のgnn-rsにまたがる効果的なアグリゲーション戦略の開発が課題となっている。
本稿では,DPAO(Dual Policy framework for Aggregation Optimization)と呼ぶ,レコメンダシステムのための新しい強化学習ベースのメッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
デュアルポリシー学習は、2つのDeep-Q-Networkモデルを利用して、GNN-Rからのユーザとアイテムのフィードバックを活用し、ターゲットのGNN-Rの性能を高める。
提案フレームワークは,6つの実世界のデータセット上で,非KGベースとKGベース両方のGNN-Rモデルを用いて評価し,提案フレームワークは最近のベースモデルを大幅に改善し,nDCGとリコールを最大63.7%,42.9%向上させた。
私たちの実装コードはhttps://github.com/steve30572/DPAO/で利用可能です。
関連論文リスト
- Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳（メタデータ） (2024-04-16T07:05:16Z) - 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) - Collaboration-Aware Graph Convolutional Networks for Recommendation
Systems [14.893579746643814]
グラフニューラルネットワーク(GNN)はレコメンデーションシステムでうまく採用されている。
メッセージパッシングは、埋め込みプロセスに協調的な効果を暗黙的に注入する。
メッセージパッシングが協調的な効果をいかに捉えているのかを包括的に調査する研究はない。
我々は、推薦調整されたGNN、Augmented Collaboration-Aware Graph Conal Network (CAGCN*)を提案する。
論文 参考訳（メタデータ） (2022-07-03T18:03:46Z) - Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。
軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。
この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
論文 参考訳（メタデータ） (2021-09-27T08:50:37Z) - 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) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - Graph Neural Networks in Recommender Systems: A Survey [21.438347815928918]
推薦システムでは、インタラクションとサイド情報から効果的なユーザ/イテム表現を学習することが主な課題である。
近年,グラフニューラルネットワーク(GNN)技術はリコメンデータシステムで広く利用されている。
本稿は、GNNベースのレコメンデータシステムに関する最近の研究成果を包括的にレビューすることを目的としている。
論文 参考訳（メタデータ） (2020-11-04T12:57:47Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。