論文の概要: Graph-based Alignment and Uniformity for Recommendation

• arxiv url: http://arxiv.org/abs/2308.09292v1
• Date: Fri, 18 Aug 2023 04:33:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:47:51.375920
• Title: Graph-based Alignment and Uniformity for Recommendation
• Title（参考訳）: 推薦のためのグラフに基づくアライメントと一様性
• Authors: Liangwei Yang, Zhiwei Liu, Chen Wang, Mingdai Yang, Xiaolong Liu, Jing Ma, Philip S. Yu
• Abstract要約: 協調フィルタリングに基づく推薦システムは、ユーザの好みを正確に予測するために、ユーザやアイテムの学習表現に依存する。 本稿では,グラフに基づくアライメントと統一性(GraphAU)という新たなアプローチを提案する。 4つのデータセットの実験によると、GraphAUはスパーシリティの問題を大幅に軽減し、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 45.40299300441636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative filtering-based recommender systems (RecSys) rely on learning representations for users and items to predict preferences accurately. Representation learning on the hypersphere is a promising approach due to its desirable properties, such as alignment and uniformity. However, the sparsity issue arises when it encounters RecSys. To address this issue, we propose a novel approach, graph-based alignment and uniformity (GraphAU), that explicitly considers high-order connectivities in the user-item bipartite graph. GraphAU aligns the user/item embedding to the dense vector representations of high-order neighbors using a neighborhood aggregator, eliminating the need to compute the burdensome alignment to high-order neighborhoods individually. To address the discrepancy in alignment losses, GraphAU includes a layer-wise alignment pooling module to integrate alignment losses layer-wise. Experiments on four datasets show that GraphAU significantly alleviates the sparsity issue and achieves state-of-the-art performance. We open-source GraphAU at https://github.com/YangLiangwei/GraphAU.
• Abstract（参考訳）: 協調フィルタリングに基づく推薦システム(RecSys)は、ユーザの好みを正確に予測するための学習表現に依存している。 超球面での表現学習は、アライメントや一様性といった望ましい性質のため、有望なアプローチである。 しかし、RecSysと出会うと、余分な問題が生じる。 この問題に対処するために,ユーザ・イテム二部グラフの高次連結性を明示的に考慮したグラフベースのアライメントと均一性(GraphAU)という新しいアプローチを提案する。 graphauは、近所のアグリゲータを使用して、高次の隣人の密集したベクトル表現にユーザー/テーマ埋め込みをアライメントし、個々の高次近所への負担の多いアライメントを計算する必要をなくす。 アライメント損失の相違に対処するため、GraphAUはアライメント損失を階層的に統合するレイヤワイドアライメントプーリングモジュールを含んでいる。 4つのデータセットの実験によると、GraphAUはスパーシリティの問題を大幅に軽減し、最先端のパフォーマンスを達成する。 GraphAUはhttps://github.com/YangLiangwei/GraphAUでオープンソース化しました。

関連論文リスト

• Tensor-based Graph Learning with Consistency and Specificity for Multi-view Clustering [20.925436328405574]
  一貫性と特異性を同時に検討する新しい多視点グラフ学習フレームワークを提案する。 我々は、ノイズフリーグラフ融合のための新しいテンソルベースのターゲットグラフ学習パラダイムを定式化する。 6つのデータセットの実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2024-03-27T09:30:50Z)
• Pairwise Alignment Improves Graph Domain Adaptation [16.626928606474173]
  この研究は、グラフデータ上の分散シフトのユニークな複雑さに対処するために、グラフドメイン適応(GDA)に注力する。 本稿では,グラフ構造変化に対応する新しい理論的手法であるペアワイズアライメント(ペアワイズアライメント)を提案する。 提案手法は,ソーシャルネットワークの領域シフトを伴うノード分類を含む実世界のアプリケーションにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T04:31:28Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Multi-Level Graph Contrastive Learning [38.022118893733804]
  本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。 元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。 MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-06T14:24:43Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。