論文の概要: Knowledge Graph Self-Supervised Rationalization for Recommendation

• arxiv url: http://arxiv.org/abs/2307.02759v1
• Date: Thu, 6 Jul 2023 03:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 15:12:41.243009
• Title: Knowledge Graph Self-Supervised Rationalization for Recommendation
• Title（参考訳）: 推薦のための知識グラフ自己監督型合理化
• Authors: Yuhao Yang, Chao Huang, Lianghao Xia, Chunzhen Huang
• Abstract要約: 知識認識レコメンデータシステムのための,KGRecと呼ばれる自己指導型合理化手法を提案する。 本稿では,知識三重項に対する合理的スコアを生成する,注意的知識合理化機構を提案する。 3つの実世界のデータセットの実験では、KGRecが最先端の手法より優れていることが示されている。
• 参考スコア（独自算出の注目度）: 9.591334756455968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a new self-supervised rationalization method, called KGRec, for knowledge-aware recommender systems. To effectively identify informative knowledge connections, we propose an attentive knowledge rationalization mechanism that generates rational scores for knowledge triplets. With these scores, KGRec integrates generative and contrastive self-supervised tasks for recommendation through rational masking. To highlight rationales in the knowledge graph, we design a novel generative task in the form of masking-reconstructing. By masking important knowledge with high rational scores, KGRec is trained to rebuild and highlight useful knowledge connections that serve as rationales. To further rationalize the effect of collaborative interactions on knowledge graph learning, we introduce a contrastive learning task that aligns signals from knowledge and user-item interaction views. To ensure noise-resistant contrasting, potential noisy edges in both graphs judged by the rational scores are masked. Extensive experiments on three real-world datasets demonstrate that KGRec outperforms state-of-the-art methods. We also provide the implementation codes for our approach at https://github.com/HKUDS/KGRec.
• Abstract（参考訳）: 本稿では,知識認識リコメンデータシステムのための,KGRecと呼ばれる自己指導型合理化手法を提案する。 情報的知識接続を効果的に識別するために,知識三重項に対する合理的スコアを生成する注意的知識合理化機構を提案する。 これらのスコアにより、KGRecは有理マスクによる推薦のための生成的かつコントラスト的な自己監督タスクを統合する。 知識グラフの有理性を強調するために,マスキング・再構築という新たな生成タスクを設計する。 重要な知識を高い有理スコアで隠蔽することで、KGRecは有理値として役立つ有用な知識接続を再構築し強調するように訓練されている。 知識グラフ学習における協調的相互作用の効果をさらに合理化するために,知識とユーザ・イテムの相互作用ビューからの信号を整合させるコントラスト学習タスクを導入する。 耐雑音コントラストを確保するため、有理スコアで判断される両グラフの潜在的なノイズエッジをマスキングする。 3つの実世界のデータセットに対する大規模な実験は、KGRecが最先端の手法より優れていることを示した。 アプローチの実装コードもhttps://github.com/HKUDS/KGRec.comで公開しています。

関連論文リスト

• Knowledge Graph Pruning for Recommendation [44.21660467094777]
  我々は,推薦に適した知識グラフ解析のためのKGTrimmerという新しい手法を提案する。 集合的観点からは、豊富な協調的な信号に基づいてコミュニティのコンセンサスを抽出し、集合的知性の概念を取り入れる。 次に、エンド・ツー・エンドの重要度を意識したグラフニューラルネットワークを構築し、フィルタされた知識を注入し、貴重なユーザ・イテム協調信号の蒸留を強化する。
  論文  参考訳（メタデータ） (2024-05-19T12:07:24Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• Knowledge Distillation via Token-level Relationship Graph [12.356770685214498]
  token-level Relation Graph (TRG) を用いた知識蒸留法を提案する。 TRGを利用することで、教師モデルから高レベルの意味情報を効果的にエミュレートすることができる。 我々は,提案手法の有効性を,いくつかの最先端手法に対して評価する実験を行った。
  論文  参考訳（メタデータ） (2023-06-20T08:16:37Z)
• Similarity-weighted Construction of Contextualized Commonsense Knowledge Graphs for Knowledge-intense Argumentation Tasks [17.438104235331085]
  CCKG(Contextualized Commonsense Knowledge Graphs)を構築するための教師なしの新たな手法を提案する。 我々の研究は、KG三重項とテキスト引数のセマンティックな類似性を計算することによって、文脈に敏感な知識抽出に留まらない。 我々は,知識に敏感な議論品質評価タスクにおけるCCKGの有効性を実証し,強力なベースラインを達成し,GPT-3ベースのシステムと競合することを示す。
  論文  参考訳（メタデータ） (2023-05-15T09:52:36Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• Distilling Holistic Knowledge with Graph Neural Networks [37.86539695906857]
  知識蒸留(KD)は、より大規模な教師ネットワークからより小さな学習可能な学生ネットワークへ知識を伝達することを目的としている。 既存のKD法は主に、個々の知識と関係知識の2つの種類の知識を考察してきた。 本稿では, インスタンス間に構築された属性グラフに基づいて, 新たな包括的知識を蒸留する。
  論文  参考訳（メタデータ） (2021-08-12T02:47:59Z)
• KompaRe: A Knowledge Graph Comparative Reasoning System [85.72488258453926]
  本稿では,複数の手がかりに対する共通点と矛盾点の推測を目的とした知識グラフの比較推論を提案する。 我々は,大規模な知識グラフに対して比較推論機能を提供する,最初のプロトタイプシステムであるKompaReを開発した。
  論文  参考訳（メタデータ） (2020-11-06T04:57:37Z)
• All About Knowledge Graphs for Actions [82.39684757372075]
  ゼロショットと少数ショットのアクション認識に使用できる知識グラフ(KG)の理解を深める。 KGsの3つの異なる構成機構について検討した。 異なる実験装置に対する異なるKGの影響を広範囲に解析する。
  論文  参考訳（メタデータ） (2020-08-28T01:44:01Z)
• Knowledge Distillation Meets Self-Supervision [109.6400639148393]
  知識蒸留では、教師ネットワークから「暗黒の知識」を抽出し、学生ネットワークの学習を指導する。 一見異なる自己超越的なタスクが、単純だが強力なソリューションとして機能することを示します。 これらの自己超越信号の類似性を補助的タスクとして活用することにより、隠された情報を教師から生徒に効果的に転送することができる。
  論文  参考訳（メタデータ） (2020-06-12T12:18:52Z)
• Dynamic Knowledge embedding and tracing [18.717482292051788]
  本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。 提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
  論文  参考訳（メタデータ） (2020-05-18T21:56:42Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。