論文の概要: On Manipulating Signals of User-Item Graph: A Jacobi Polynomial-based Graph Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2306.03624v1
• Date: Tue, 6 Jun 2023 12:22:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 15:34:54.889720
• Title: On Manipulating Signals of User-Item Graph: A Jacobi Polynomial-based Graph Collaborative Filtering
• Title（参考訳）: ユーザ項目グラフの信号操作について:ヤコビ多項式を用いたグラフ協調フィルタリング
• Authors: Jiayan Guo and Lun Du and Xu Chen and Xiaojun Ma and Qiang Fu and Shi Han and Dongmei Zhang and Yan Zhang
• Abstract要約: グラフ協調(CF)はレコメンダシステムにおいて重要な研究方向である。 本稿では,グラフフィルタが性能向上のために考慮すべき重要な要素について分析する。 Jacobiベースとフィルタリング周波数分解戦略に基づいてJGCFを設計し、Alibaba-iFashionで27.06%のパフォーマンス向上を実現した。
• 参考スコア（独自算出の注目度）: 45.75671148689973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative filtering (CF) is an important research direction in recommender systems that aims to make recommendations given the information on user-item interactions. Graph CF has attracted more and more attention in recent years due to its effectiveness in leveraging high-order information in the user-item bipartite graph for better recommendations. Specifically, recent studies show the success of graph neural networks (GNN) for CF is attributed to its low-pass filtering effects. However, current researches lack a study of how different signal components contributes to recommendations, and how to design strategies to properly use them well. To this end, from the view of spectral transformation, we analyze the important factors that a graph filter should consider to achieve better performance. Based on the discoveries, we design JGCF, an efficient and effective method for CF based on Jacobi polynomial bases and frequency decomposition strategies. Extensive experiments on four widely used public datasets show the effectiveness and efficiency of the proposed methods, which brings at most 27.06% performance gain on Alibaba-iFashion. Besides, the experimental results also show that JGCF is better at handling sparse datasets, which shows potential in making recommendations for cold-start users.
• Abstract（参考訳）: コラボレーティブ・フィルタリング(CF)は,ユーザとイテムのインタラクションに関する情報を考慮し,レコメンデーションを行うことを目的としたレコメンデーションシステムにおいて重要な研究方向である。 グラフCFは、より優れたレコメンデーションのために、ユーザイテムの2部グラフで高次情報を活用する効果により、近年ますます注目を集めている。 特に最近の研究では、CFのためのグラフニューラルネットワーク(GNN)の成功は、その低パスフィルタリング効果に起因することが示されている。 しかしながら、現在の研究では、異なるシグナル成分がレコメンデーションにどのように貢献するか、そしてそれを適切に活用するための戦略を設計する方法についての研究が欠けている。 この目的のために、スペクトル変換の観点から、グラフフィルタがより良い性能を達成するために考慮すべき重要な要素を分析する。 これらの発見に基づき,ヤコビ多項式基底と周波数分解戦略に基づくcfの効率的かつ効果的な手法であるjgcfを設計した。 広く使用されている4つのパブリックデータセットに対する大規模な実験では、提案手法の有効性と効率が示され、Alibaba-iFashionのパフォーマンスが27.06%向上した。 さらに、実験結果からは、JGCFはスパースデータセットの処理に優れており、コールドスタートユーザーに推奨する可能性を示している。

関連論文リスト

• 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)
• How Does Message Passing Improve Collaborative Filtering? [49.019075781827034]
  協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。 テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
  論文  参考訳（メタデータ） (2024-03-27T18:53:04Z)
• Adaptive spectral graph wavelets for collaborative filtering [5.547800834335382]
  協調フィルタリングはレコメンデーションシステムにおいて一般的なアプローチであり、その目的はパーソナライズされた項目の提案を提供することである。 本稿では,暗黙的なフィードバックデータに対するスペクトルグラフウェーブレット協調フィルタリングフレームワークを提案する。 グラフの局所的および大域的構造を捉えることに加えて、我々の手法は空間的およびスペクトル的領域におけるグラフ信号の局所化をもたらす。
  論文  参考訳（メタデータ） (2023-12-05T22:22:25Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• 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)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• Localized Graph Collaborative Filtering [20.868562372148677]
  推薦のためのGNNベースのCFメソッドを構築するための新しい視点を紹介する。 LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。 各種データセットの実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。
  論文  参考訳（メタデータ） (2021-08-10T06:48:32Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。