論文の概要: Item Graph Convolution Collaborative Filtering for Inductive Recommendations

• arxiv url: http://arxiv.org/abs/2303.15946v1
• Date: Tue, 28 Mar 2023 12:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 15:19:47.014537
• Title: Item Graph Convolution Collaborative Filtering for Inductive Recommendations
• Title（参考訳）: インダクティブレコメンデーションのための項目グラフ畳み込み協調フィルタリング
• Authors: Edoardo D'Amico, Khalil Muhammad, Elias Tragos, Barry Smyth, Neil Hurley, Aonghus Lawlor
• Abstract要約: 本稿では,暗黙的なユーザ・イテムインタラクションデータに依存しながら,ユーザの視点から帰納的な畳み込みに基づくアルゴリズムを提案する。 提案手法は,4つの実世界のデータセットのトランスダクティブベースラインに対して,最先端のレコメンデーション性能を実現する。
• 参考スコア（独自算出の注目度）: 8.653065412619357
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph Convolutional Networks (GCN) have been recently employed as core component in the construction of recommender system algorithms, interpreting user-item interactions as the edges of a bipartite graph. However, in the absence of side information, the majority of existing models adopt an approach of randomly initialising the user embeddings and optimising them throughout the training process. This strategy makes these algorithms inherently transductive, curtailing their ability to generate predictions for users that were unseen at training time. To address this issue, we propose a convolution-based algorithm, which is inductive from the user perspective, while at the same time, depending only on implicit user-item interaction data. We propose the construction of an item-item graph through a weighted projection of the bipartite interaction network and to employ convolution to inject higher order associations into item embeddings, while constructing user representations as weighted sums of the items with which they have interacted. Despite not training individual embeddings for each user our approach achieves state of-the-art recommendation performance with respect to transductive baselines on four real-world datasets, showing at the same time robust inductive performance.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、最近、リコメンダシステムアルゴリズムの構築においてコアコンポーネントとして採用され、二部グラフのエッジとしてユーザ間相互作用を解釈している。 しかし、副次的な情報がない場合、既存のモデルのほとんどは、ユーザ埋め込みをランダムに初期化し、トレーニングプロセスを通して最適化するアプローチを採用している。 この戦略は、これらのアルゴリズムを本質的にトランスダクティブにし、トレーニング時に目に見えないユーザのための予測を生成する能力を縮める。 この問題に対処するために,暗黙のユーザ・イテムインタラクションデータのみに依存する畳み込みに基づくアルゴリズムを提案する。 本稿では,両部相互作用ネットワークの重み付き投影による項目図の構築と,アイテムの埋め込みに高次関連を注入するための畳み込みを,相互作用した項目の重み付き和としてユーザ表現を構築しながら提案する。 ユーザ毎に個別の埋め込みをトレーニングしていないにもかかわらず、このアプローチは4つの実世界のデータセットのトランスダクティブベースラインに関して最先端のレコメンデーションパフォーマンスを達成し、同時に堅牢なインダクティブパフォーマンスを示します。

関連論文リスト

• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning [29.482674624323835]
  そこで我々は,NCL(Nighborhood-enriched Contrastive Learning)という新しいコントラスト学習手法を提案する。 相互作用グラフ上の構造的隣人に対しては、ユーザ(またはアイテム)とその構造的隣人を正のコントラスト的対とみなす新しい構造的対照的な目的を開発する。 実装では、ユーザ(またはアイテム)と隣人の表現は異なるGNN層の出力に対応する。
  論文  参考訳（メタデータ） (2022-02-13T04:18:18Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)
• Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
  本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。 より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
  論文  参考訳（メタデータ） (2021-03-05T10:46:16Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)
• 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。