論文の概要: Long-tail Augmented Graph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2309.11177v1
• Date: Wed, 20 Sep 2023 09:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 16:43:00.044170
• Title: Long-tail Augmented Graph Contrastive Learning for Recommendation
• Title（参考訳）: 推薦のためのロングテール拡張グラフコントラスト学習
• Authors: Qian Zhao and Zhengwei Wu and Zhiqiang Zhang and Jun Zhou
• Abstract要約: 本稿では,Long-tail Augmented Graph Contrastive Learning (LAGCL)法を提案する。 具体的には、予測された隣接情報を補うことで、尾ノードを強化するための学習可能な長尾拡張手法を提案する。 3つのベンチマークデータセットで行った実験は、我々のモデルの性能を大幅に改善したことを示している。
• 参考スコア（独自算出の注目度）: 16.114255092924488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Networks (GCNs) has demonstrated promising results for recommender systems, as they can effectively leverage high-order relationship. However, these methods usually encounter data sparsity issue in real-world scenarios. To address this issue, GCN-based recommendation methods employ contrastive learning to introduce self-supervised signals. Despite their effectiveness, these methods lack consideration of the significant degree disparity between head and tail nodes. This can lead to non-uniform representation distribution, which is a crucial factor for the performance of contrastive learning methods. To tackle the above issue, we propose a novel Long-tail Augmented Graph Contrastive Learning (LAGCL) method for recommendation. Specifically, we introduce a learnable long-tail augmentation approach to enhance tail nodes by supplementing predicted neighbor information, and generate contrastive views based on the resulting augmented graph. To make the data augmentation schema learnable, we design an auto drop module to generate pseudo-tail nodes from head nodes and a knowledge transfer module to reconstruct the head nodes from pseudo-tail nodes. Additionally, we employ generative adversarial networks to ensure that the distribution of the generated tail/head nodes matches that of the original tail/head nodes. Extensive experiments conducted on three benchmark datasets demonstrate the significant improvement in performance of our model over the state-of-the-arts. Further analyses demonstrate the uniformity of learned representations and the superiority of LAGCL on long-tail performance. Code is publicly available at https://github.com/im0qianqian/LAGCL
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、高次関係を効果的に活用できるため、推奨システムに対して有望な結果を示した。 しかし、これらの手法は通常、現実世界のシナリオでデータ空間の問題に遭遇する。 この問題に対処するため、GCNベースのレコメンデーション手法では、自己教師付き信号を導入するためにコントラッシブラーニングを採用している。 有効性にもかかわらず、これらの手法は頭と尾のノード間のかなりの差を考慮に入れていない。 これは非一様表現分布につながる可能性があり、これはコントラスト学習法の性能にとって重要な要素である。 そこで本研究では,Long-tail Augmented Graph Contrastive Learning (LAGCL)法を提案する。 具体的には,予測された隣接情報を補足して末尾ノードを強化するための学習可能なロングテール拡張手法を導入し,得られた拡張グラフに基づいてコントラストビューを生成する。 データ拡張スキーマを学習可能にするために,ヘッドノードから擬似テールノードを生成するauto dropモジュールと,擬似テールノードからヘッドノードを再構築する知識転送モジュールを設計した。 さらに、生成したテール/ヘッドノードの分布が元のテール/ヘッドノードの分布と一致することを保証するために、生成逆ネットワークを用いる。 3つのベンチマークデータセットで実施された大規模な実験は、我々のモデルの性能が最先端よりも大幅に向上したことを示している。 さらに,学習表現の均一性と長テール性能におけるLAGCLの優位性を示す。 コードはhttps://github.com/im0qianqian/LAGCLで公開されている。

関連論文リスト

• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
  グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。 本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。 提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-03-06T05:00:31Z)
• Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
  統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。 また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:54:11Z)
• SAILOR: Structural Augmentation Based Tail Node Representation Learning [49.19653803667422]
  グラフニューラルネットワーク(GNN)は近年,グラフの表現学習において最先端のパフォーマンスを実現している。 実世界のシナリオにおけるグラフのほとんどは、ノードの次数における長い尾の分布、すなわちグラフ内のノードの大部分は、わずかに連結されたエッジを持つ尾のノードである。 本稿では,SAILORと呼ばれる構造拡張に基づくTaIL nOde表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T16:04:03Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)

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。