論文の概要: Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis
- arxiv url: http://arxiv.org/abs/2308.00404v2
- Date: Mon, 27 May 2024 15:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 12:18:33.708375
- Title: Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis
- Title(参考訳): グラフ協調フィルタリングの神話の整合性:推論と再現性に基づく分析
- Authors: Vito Walter Anelli, Daniele Malitesta, Claudio Pomo, Alejandro Bellogín, Tommaso Di Noia, Eugenio Di Sciascio,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 50.972595036856035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The success of graph neural network-based models (GNNs) has significantly advanced recommender systems by effectively modeling users and items as a bipartite, undirected graph. However, many original graph-based works often adopt results from baseline papers without verifying their validity for the specific configuration under analysis. Our work addresses this issue by focusing on the replicability of results. We present a code that successfully replicates results from six popular and recent graph recommendation models (NGCF, DGCF, LightGCN, SGL, UltraGCN, and GFCF) on three common benchmark datasets (Gowalla, Yelp 2018, and Amazon Book). Additionally, we compare these graph models with traditional collaborative filtering models that historically performed well in offline evaluations. Furthermore, we extend our study to two new datasets (Allrecipes and BookCrossing) that lack established setups in existing literature. As the performance on these datasets differs from the previous benchmarks, we analyze the impact of specific dataset characteristics on recommendation accuracy. By investigating the information flow from users' neighborhoods, we aim to identify which models are influenced by intrinsic features in the dataset structure. The code to reproduce our experiments is available at: https://github.com/sisinflab/Graph-RSs-Reproducibility.
- Abstract(参考訳): グラフニューラルネットワークベースモデル(GNN)の成功は、ユーザとアイテムを二部グラフとして効果的にモデル化することで、大幅に進歩したレコメンデーションシステムである。
しかしながら、多くのオリジナルのグラフベースの研究は、分析対象の特定の構成に対する妥当性を検証せずに、ベースライン論文の結果を採用することが多い。
私たちの研究は、結果の複製性に注目して、この問題に対処しています。
一般的な3つのベンチマークデータセット(Gowalla、Yelp 2018、Amazon Book)上で、NGCF、DGCF、LightGCN、SGL、UltraGCN、GFCFの6つの人気グラフレコメンデーションモデル(NGCF、DGCF、LightGCN、SGL、UltraGCN、GFCF)の結果の再現に成功したコードを示す。
さらに,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との比較を行った。
さらに、既存の文献に確立された設定を欠いている2つの新しいデータセット(AllrecipesとBookCrossing)に研究を拡張した。
これらのデータセットのパフォーマンスが以前のベンチマークと異なるため、特定のデータセット特性がレコメンデーション精度に与える影響を分析する。
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。
実験を再現するコードは、https://github.com/sisinflab/Graph-RSs-Reproducibility.comで公開されている。
関連論文リスト
- GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳(メタデータ) (2024-01-10T08:37:39Z) - LUKE-Graph: A Transformer-based Approach with Gated Relational Graph
Attention for Cloze-style Reading Comprehension [13.173307471333619]
本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。
次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。
実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
論文 参考訳(メタデータ) (2023-03-12T14:31:44Z) - A Dataset for Learning Graph Representations to Predict Customer Returns
in Fashion Retail [0.243788455857269]
本稿では、ファッション小売エコシステムにおける顧客のリターンを予測するという課題に対処するため、ASOSが収集した新しいデータセットを提案する。
まず、グラフ表現学習の応用に焦点をあてて、このデータセットの構造について検討する。
本稿では,ベースラインモデルとグラフ表現に基づくモデルの選択による回帰予測分類タスクの例を示す。
論文 参考訳(メタデータ) (2023-02-27T19:14:37Z) - Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。
本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。
実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文 参考訳(メタデータ) (2022-09-16T09:13:43Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳(メタデータ) (2022-07-10T06:42:02Z) - Catastrophic Forgetting in Deep Graph Networks: an Introductory
Benchmark for Graph Classification [12.423303337249795]
グラフ表現学習シナリオにおける破滅的忘れ現象について検討する。
リプレイはこれまでのところ最も効果的な戦略であり、正規化の使用も最もメリットがあります。
論文 参考訳(メタデータ) (2021-03-22T12:07:21Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳(メタデータ) (2020-11-19T06:03:35Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z) - 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。