論文の概要: HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation
- arxiv url: http://arxiv.org/abs/2304.02961v2
- Date: Thu, 12 Dec 2024 15:21:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 17:00:09.884617
- Title: HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation
- Title（参考訳）: HGCH:不均一な協調グラフレコメンデーションのためのハイパーボリックグラフ畳み込みネットワークモデル
- Authors: Lu Zhang, Ning Wu,
- Abstract要約: 異種協調グラフに多様な側面情報を統合する協調フィルタリングのための改良されたHGCNモデルを提案する。
その結果,HGCHは競争的な結果が得られ,最上位のベースラインを上回る結果が得られた。
- 参考スコア（独自算出の注目度）: 11.651443951846668
- License:
- Abstract: User-item interaction data in collaborative filtering and graph modeling tasks often exhibit power-law characteristics, which suggest the suitability of hyperbolic space modeling. Hyperbolic Graph Convolution Neural Networks (HGCNs) are a novel technique that leverages the advantages of GCN and hyperbolic space, and then achieves remarkable results. However, existing HGCN methods have several drawbacks: they fail to fully leverage hyperbolic space properties due to arbitrary embedding initialization and imprecise tangent space aggregation; they overlook auxiliary information that could enrich the collaborative graph; and their training convergence is slow due to margin ranking loss and random negative sampling. To overcome these challenges, we propose Hyperbolic Graph Collaborative for Heterogeneous Recommendation (HGCH), an enhanced HGCN-based model for collaborative filtering that integrates diverse side information into a heterogeneous collaborative graph and improves training convergence speed. HGCH first preserves the long-tailed nature of the graph by initializing node embeddings with power law prior; then it aggregates neighbors in hyperbolic space using the gyromidpoint method for accurate computation; finally, it fuses multiple embeddings from different hyperbolic spaces by the gate fusion with prior. Moreover, HGCH employs a hyperbolic user-specific negative sampling to speed up convergence. We evaluate HGCH on four real datasets, and the results show that HGCH achieves competitive results and outperforms leading baselines, including HGCNs. Extensive ablation studies further confirm its effectiveness.
- Abstract（参考訳）: 協調フィルタリングおよびグラフモデリングタスクにおけるユーザ・イテム相互作用データは、しばしばパワー・ロー特性を示し、双曲空間モデリングの適性を示す。
双曲グラフ畳み込みニューラルネットワーク(HGCN)は、GCNと双曲空間の利点を活用し、顕著な結果を得る新しい技術である。
しかし、既存のHGCN法では、任意の埋め込み初期化と不正確な接空間集約のために双曲空間特性を完全に活用できず、コラボレーティブグラフを拡張できる補助情報を見落とし、マージンランキングの損失とランダムな負のサンプリングによってトレーニング収束が遅くなる。
これらの課題を克服するため,HGCH (Hyperbolic Graph Collaborative for Heterogeneous Recommendation) を提案する。
HGCHはまず、前もって乗法則でノード埋め込みを初期化してグラフの長い尾の性質を保存し、次に、ジャイロミドポイント法を用いて双曲空間の隣人を集約し、最後に、ゲート融合により異なる双曲空間からの複数の埋め込みを融合させる。
さらに、HGCHは、収束を高速化するために、双曲型ユーザ固有のネガティブサンプリングを使用する。
HGCHを4つの実データセット上で評価した結果,HGCHは競争結果が得られ,HGCNsを含む主要なベースラインよりも優れることがわかった。
大規模なアブレーション研究は、その効果をさらに裏付ける。
関連論文リスト
- Training-free Heterogeneous Graph Condensation via Data Selection [74.06562124781104]
本稿では, 高速かつ高品質な不均質凝縮グラフ生成を容易にする, FreeHGC と呼ばれる, 基礎となる不均質グラフ凝縮法について紹介する。
具体的には、不均質グラフの凝縮問題をデータ選択問題として再構成し、不均質グラフにおける代表ノードとエッジを評価し、凝縮するための新たな視点を提供する。
論文 参考訳（メタデータ） (2024-12-20T02:49:32Z) - Residual Hyperbolic Graph Convolution Networks [24.380072966869932]
双曲グラフ畳み込みネットワーク(HGCN)は階層構造グラフをモデル化する表現能力を実証している。
オーバースムーシングはモデルレイヤーの数が増えるにつれて起こり、現在のほとんどのHGCNモデルの表現能力を制限する。
残余双曲グラフ畳み込みネットワーク(R-HGCN)を提案する。
論文 参考訳（メタデータ） (2024-12-05T02:38:45Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - 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) - DeepHGCN: Toward Deeper Hyperbolic Graph Convolutional Networks [21.605755985700615]
我々は,計算効率を劇的に改善し,オーバースムーシングを大幅に削減した,最初のディープ多層HGCNアーキテクチャであるDeepHGCNを提案する。
DeepHGCNは、(1)高速かつ正確な線形マッピングを可能にする新しい双曲的特徴変換層、(2)双曲的残差接続や重みと特徴の正則化のような技術である。
広範囲な実験により、DeepHGCNはユークリッドと浅い双曲GCNの変種と比較してリンク予測とノード分類タスクの大幅な改善を達成している。
論文 参考訳（メタデータ） (2023-10-03T13:10:14Z) - HGWaveNet: A Hyperbolic Graph Neural Network for Temporal Link
Prediction [9.110162634132827]
本稿では,時間的リンク予測のために,双曲空間とデータ分布間の適合性をフル活用した新しい双曲グラフニューラルネットワークHGWaveNetを提案する。
具体的には,空間的位相構造と時間的進化情報を別々に学習するための2つの重要なモジュールを設計する。
その結果,SOTA法による時間リンク予測では,AUCが6.67%向上した。
論文 参考訳（メタデータ） (2023-04-14T07:07:00Z) - Hyperspectral Image Classification With Contrastive Graph Convolutional
Network [38.43072371303967]
スペクトル情報と空間関係の両方に含まれる監視信号を調べるために,比較学習を伴うグラフ畳み込みネットワーク(GCN)モデルを提案する。
4つの典型的なベンチマークデータセットの実験結果は、定性的および定量的両面において提案したConGCNの有効性を確証している。
論文 参考訳（メタデータ） (2022-05-11T12:06:37Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z)
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。