論文の概要: Neural Multi-network Diffusion towards Social Recommendation

• arxiv url: http://arxiv.org/abs/2304.04994v1
• Date: Tue, 11 Apr 2023 05:53:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 16:10:18.557772
• Title: Neural Multi-network Diffusion towards Social Recommendation
• Title（参考訳）: ソーシャルレコメンデーションに向けたニューラルネットワーク拡散
• Authors: Boxin Du, Lihui Liu, Jiejun Xu, Fei Wang, Hanghang Tong
• Abstract要約: ソーシャルレコメンデーションのための簡潔なマルチネットワークGNNベースニューラルモデル(NeMo)を提案する。 既存の手法と比較して,提案手法は生成的負サンプリング戦略を探索する。 実験によると、NeMoは様々な実世界のベンチマークデータセットで最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 48.5509738327592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have been widely applied on a variety of real-world applications, such as social recommendation. However, existing GNN-based models on social recommendation suffer from serious problems of generalization and oversmoothness, because of the underexplored negative sampling method and the direct implanting of the off-the-shelf GNN models. In this paper, we propose a succinct multi-network GNN-based neural model (NeMo) for social recommendation. Compared with the existing methods, the proposed model explores a generative negative sampling strategy, and leverages both the positive and negative user-item interactions for users' interest propagation. The experiments show that NeMo outperforms the state-of-the-art baselines on various real-world benchmark datasets (e.g., by up to 38.8% in terms of NDCG@15).
• Abstract（参考訳）: グラフニューラルネットワーク(gnns)は,ソーシャルレコメンデーションなど,現実世界のさまざまなアプリケーションに広く適用されてきた。 しかし,社会的レコメンデーションに基づく既存のgnnモデルでは,未熟な否定的サンプリング法と市販gnnモデルへの直接注入により,一般化と過度さの深刻な問題が発生している。 本稿では,ソーシャルレコメンデーションのための簡潔なマルチネットワークGNNベースニューラルモデル(NeMo)を提案する。 既存の手法と比較して,提案手法は生成的ネガティブサンプリング戦略を探求し,ユーザ関心の伝播に肯定的かつネガティブなユーザ・イテム相互作用を利用する。 実験の結果、NeMoは様々な実世界のベンチマークデータセット(NDCG@15では最大38.8%)で最先端のベースラインを上回っていることがわかった。

関連論文リスト

• DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
  本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。 実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-24T07:07:41Z)
• 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)
• Model Inversion Attacks on Homogeneous and Heterogeneous Graph Neural Networks [6.569169627119353]
  HomoGMI と HeteGMI は、目標GNN におけるクロスエントロピー損失を最大化することを目的とした勾配差に基づく最適化手法である。 HeteGMIは、HeteGNNに対してモデル反転攻撃を行う最初の試みである。
  論文  参考訳（メタデータ） (2023-10-15T11:16:14Z)
• How Expressive are Graph Neural Networks in Recommendation? [17.31401354442106]
  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を含むさまざまなグラフ学習タスクにおいて、優れたパフォーマンスを示している。 近年、GNNの表現性を調査し、メッセージパッシングGNNがWeisfeiler-Lehmanテストと同じくらい強力であることを実証している。 本稿では,GNNがノード間の構造的距離を捉える能力を評価するために,位相的近接度尺度を提案する。
  論文  参考訳（メタデータ） (2023-08-22T02:17:34Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• Sheaf4Rec: Sheaf Neural Networks for Graph-based Recommender Systems [18.596875449579688]
  本稿では,カテゴリ理論にインスパイアされた最先端モデルを提案する。 単一のベクトル表現とは異なり、シーフニューラルネットワークとその対応するラプラシアンはベクトル空間を用いて各ノード(およびエッジ)を表現している。 提案モデルでは,F1-Score@10では8.53%,NDCG@10では11.29%の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2023-04-07T07:03:54Z)
• 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)
• Ranking Structured Objects with Graph Neural Networks [0.0]
  RankGNNはグラフ間のペアワイズ選好のセットでトレーニングされており、一方が他方よりも好まれていることを示唆している。 この問題の実用的な適用の1つは薬剤の候補者の大規模なコレクションの最も有望な分子を見つけたいと思う薬剤のスクリーニングです。 提案するペアワイズrankgnnアプローチが,平均的なポイントワイズベースラインアプローチのランキング性能を有意に上回っているか,少なくとも同等であることを示す。
  論文  参考訳（メタデータ） (2021-04-18T14:40:59Z)
• 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)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。