論文の概要: Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation

• arxiv url: http://arxiv.org/abs/2308.15244v1
• Date: Tue, 29 Aug 2023 12:11:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 14:18:01.737141
• Title: Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation
• Title（参考訳）: 推薦のための知識に基づく多重適応空間融合
• Authors: Meng Yuan, Fuzhen Zhuang, Zhao Zhang, Deqing Wang and Jin Dong
• Abstract要約: 知識に基づく多重適応空間融合法(MCKG)を提案する。 特定の多様体のみを採用する既存の方法とは異なり、双曲的、ユークリッド的、球面的空間と互換性のある統一空間を導入する。 さらに,双曲空間と球面空間の両方から得られるプル・アンド・プッシュ処理を可能にする幾何対応最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 35.20583774988951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since Knowledge Graphs (KGs) contain rich semantic information, recently there has been an influx of KG-enhanced recommendation methods. Most of existing methods are entirely designed based on euclidean space without considering curvature. However, recent studies have revealed that a tremendous graph-structured data exhibits highly non-euclidean properties. Motivated by these observations, in this work, we propose a knowledge-based multiple adaptive spaces fusion method for recommendation, namely MCKG. Unlike existing methods that solely adopt a specific manifold, we introduce the unified space that is compatible with hyperbolic, euclidean and spherical spaces. Furthermore, we fuse the multiple unified spaces in an attention manner to obtain the high-quality embeddings for better knowledge propagation. In addition, we propose a geometry-aware optimization strategy which enables the pull and push processes benefited from both hyperbolic and spherical spaces. Specifically, in hyperbolic space, we set smaller margins in the area near to the origin, which is conducive to distinguishing between highly similar positive items and negative ones. At the same time, we set larger margins in the area far from the origin to ensure the model has sufficient error tolerance. The similar manner also applies to spherical spaces. Extensive experiments on three real-world datasets demonstrate that the MCKG has a significant improvement over state-of-the-art recommendation methods. Further ablation experiments verify the importance of multi-space fusion and geometry-aware optimization strategy, justifying the rationality and effectiveness of MCKG.
• Abstract（参考訳）: 知識グラフ(KG)には豊富な意味情報が含まれているため、近年はKG強化レコメンデーション手法が流入している。 既存の手法のほとんどは曲率を考慮せずにユークリッド空間に基づいて完全に設計されている。 しかし、最近の研究では、巨大なグラフ構造データは非常に非ユークリッド的性質を示すことが明らかになっている。 本研究は,これらの観察に動機づけられ,知識に基づく多重適応空間融合法,すなわちmckgを提案する。 特定の多様体のみを採用する既存の方法とは異なり、双曲空間、ユークリッド空間、球面空間と一致する統一空間を導入する。 さらに,複数の統一空間を注意して融合し,より優れた知識伝達のための高品質な埋め込みを得る。 さらに,双曲空間と球面空間の両方から得られるプルおよびプッシュプロセスを可能にする幾何認識最適化手法を提案する。 具体的には、双曲空間において、原点に近い領域に小さいマージンを設定し、非常に類似した正の項目と負の項目を区別することを導出する。 同時に、モデルが十分なエラー許容度を持つことを保証するために、原点から遠く離れた領域により大きなマージンを設定しました。 同様の方法は球面空間にも適用される。 3つの実世界のデータセットに対する大規模な実験は、MCKGが最先端のレコメンデーション手法よりも大幅に改善されていることを示している。 さらなるアブレーション実験は、MCKGの合理性と有効性を正当化し、多空間融合と幾何認識最適化戦略の重要性を検証する。

関連論文リスト

• On Probabilistic Pullback Metrics on Latent Hyperbolic Manifolds [5.724027955589408]
  本稿では,階層関係のモデル化に適した双曲多様体について述べる。 本稿では,VM の非線形写像によって生じる歪みを考慮に入れたプルバックメトリックによる双曲的計量の増大を提案する。 様々な実験を通して、引き戻し距離の測地学は双曲ラテント空間の幾何学を尊重するだけでなく、基礎となるデータ分布と整合することを示した。
  論文  参考訳（メタデータ） (2024-10-28T09:13:00Z)
• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習する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。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems [30.32394422015953]
  本稿では,レコメンデーションシステムにおいて,双曲空間と双曲埋め込みをいつ,どこで使用するかに関する理論的解析と実験結果を提供する。 我々は、異なる潜在空間モデル上でのユークリッド空間と双曲空間の性能を比較することで、回答を評価する。 本稿では,SCML とハイパーボリックバージョン HSCML という,メトリクス学習に基づく推薦手法を提案する。
  論文  参考訳（メタデータ） (2021-05-19T03:46:41Z)
• Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
  製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。 我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。 知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-17T11:06:59Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)

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。