論文の概要: Neural-Symbolic Recommendation with Graph-Enhanced Information

• arxiv url: http://arxiv.org/abs/2307.05036v1
• Date: Tue, 11 Jul 2023 06:29:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 16:13:08.493959
• Title: Neural-Symbolic Recommendation with Graph-Enhanced Information
• Title（参考訳）: グラフエンハンス情報を用いたニューラルシンボリックレコメンデーション
• Authors: Bang Chen, Wei Peng, Maonian Wu, Bo Zheng, Shaojun Zhu
• Abstract要約: 我々は,大域的暗黙的推論能力と局所的明示的論理推論能力の両方を備えたニューロシンボリックレコメンデーションモデルを構築した。 ユーザの振る舞いを命題論理表現に変換し,認知的推論の観点からレコメンデーションを実現する。
• 参考スコア（独自算出の注目度）: 7.841447116972524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recommendation system is not only a problem of inductive statistics from data but also a cognitive task that requires reasoning ability. The most advanced graph neural networks have been widely used in recommendation systems because they can capture implicit structured information from graph-structured data. However, like most neural network algorithms, they only learn matching patterns from a perception perspective. Some researchers use user behavior for logic reasoning to achieve recommendation prediction from the perspective of cognitive reasoning, but this kind of reasoning is a local one and ignores implicit information on a global scale. In this work, we combine the advantages of graph neural networks and propositional logic operations to construct a neuro-symbolic recommendation model with both global implicit reasoning ability and local explicit logic reasoning ability. We first build an item-item graph based on the principle of adjacent interaction and use graph neural networks to capture implicit information in global data. Then we transform user behavior into propositional logic expressions to achieve recommendations from the perspective of cognitive reasoning. Extensive experiments on five public datasets show that our proposed model outperforms several state-of-the-art methods, source code is avaliable at [https://github.com/hanzo2020/GNNLR].
• Abstract（参考訳）: レコメンデーションシステムは、データからの帰納的統計だけでなく、推論能力を必要とする認知的タスクの問題でもある。 最も高度なグラフニューラルネットワークは、グラフ構造化データから暗黙的な構造化情報をキャプチャできるため、レコメンデーションシステムで広く使われている。 しかし、ほとんどのニューラルネットワークアルゴリズムと同様に、認識の観点からのみマッチングパターンを学習する。 一部の研究者は、認知的推論の観点からレコメンデーション予測を達成するために、論理的推論にユーザ行動を用いるが、この種の推論は局所的であり、グローバルスケールにおける暗黙的な情報を無視する。 本研究では,グラフニューラルネットワークと命題論理演算の利点を組み合わせることで,大域的暗黙的推論能力と局所的明示的論理推論能力の両方を備えたニューロシンボリックレコメンデーションモデルを構築する。 まず、隣接する相互作用の原理に基づいてアイテム-イムグラフを構築し、グラフニューラルネットワークを用いてグローバルデータ中の暗黙的な情報をキャプチャする。 そして,ユーザの振る舞いを命題論理表現に変換し,認知的推論の観点からレコメンデーションを実現する。 5つの公開データセットに対する大規模な実験により、提案したモデルはいくつかの最先端の手法より優れており、ソースコードは[https://github.com/hanzo2020/GNNLR]で評価可能であることが示された。

関連論文リスト

• Graph Reasoning Networks [9.18586425686959]
  Graph Reasoning Networks (GRNs) は、グラフ表現と学習したグラフ表現の長所と、微分可能満足度解法に基づく推論モジュールを組み合わせるための新しいアプローチである。 実世界のデータセットの結果は、GNNに匹敵するパフォーマンスを示している。 合成データセットの実験は、新しく提案された手法の可能性を示している。
  論文  参考訳（メタデータ） (2024-07-08T10:53:49Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Neuro-Symbolic Recommendation Model based on Logic Query [16.809190067920387]
  本稿では,ユーザ履歴のインタラクションを論理表現に変換するニューロシンボリックレコメンデーションモデルを提案する。 論理式はニューラルネットワークのモジュラー論理演算に基づいて計算される。 3つのよく知られたデータセットによる実験により,本手法は浅部,深部,セッション,推論モデルと比較し,性能が良好であることが確認された。
  論文  参考訳（メタデータ） (2023-09-14T10:54:48Z)
• Intrinsically motivated graph exploration using network theories of human curiosity [71.2717061477241]
  本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。 提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
  論文  参考訳（メタデータ） (2023-07-11T01:52:08Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
  両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。 GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。 3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-05-16T18:39:04Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)
• Neural Collaborative Reasoning [31.03627817834551]
  協調推論(CR)のための協調フィルタリング(CF)を提案する。 CRは、各ユーザが推論空間の一部を知っていて、互いに好みを見積もるために、スペース内で推論するために協力することを意味します。 我々は、表現学習と論理的推論の力を統合し、表現が知覚的視点からデータ内の類似パターンをキャプチャする。
  論文  参考訳（メタデータ） (2020-05-16T23:29:31Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。