論文の概要: Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph
Pruning and Intent Graph for Effective Recommendations
- arxiv url: http://arxiv.org/abs/2309.11741v1
- Date: Thu, 21 Sep 2023 02:32:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 17:00:58.420175
- Title: Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph
Pruning and Intent Graph for Effective Recommendations
- Title(参考訳): 最適SDG経路の展開: グラフプルーニングを活用した革新的アプローチと効果的なレコメンデーションのためのインテントグラフ
- Authors: Zhihang Yu, Shu Wang, Yunqiang Zhu, Wen Yuan, Xiaoliang Dai, Zhiqiang
Zou
- Abstract要約: 本稿では,Pruning and Intent Graph (UGPIG) 後のユーザグラフという手法を提案する。
まず,プルーニングされたユーザグラフの高密度リンク機能を利用して,推薦アルゴリズムにおける空間無視の問題に対処する。
次に、目的領域の環境要素を含む属性の嗜好をキャプチャするインテントネットワークを組み込むことで、インテントグラフを構築する。
- 参考スコア(独自算出の注目度): 12.444301825257071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recommendation of appropriate development pathways, also known as
ecological civilization patterns for achieving Sustainable Development Goals
(namely, sustainable development patterns), are of utmost importance for
promoting ecological, economic, social, and resource sustainability in a
specific region. To achieve this, the recommendation process must carefully
consider the region's natural, environmental, resource, and economic
characteristics. However, current recommendation algorithms in the field of
computer science fall short in adequately addressing the spatial heterogeneity
related to environment and sparsity of regional historical interaction data,
which limits their effectiveness in recommending sustainable development
patterns. To overcome these challenges, this paper proposes a method called
User Graph after Pruning and Intent Graph (UGPIG). Firstly, we utilize the
high-density linking capability of the pruned User Graph to address the issue
of spatial heterogeneity neglect in recommendation algorithms. Secondly, we
construct an Intent Graph by incorporating the intent network, which captures
the preferences for attributes including environmental elements of target
regions. This approach effectively alleviates the problem of sparse historical
interaction data in the region. Through extensive experiments, we demonstrate
that UGPIG outperforms state-of-the-art recommendation algorithms like KGCN,
KGAT, and KGIN in sustainable development pattern recommendations, with a
maximum improvement of 9.61% in Top-3 recommendation performance.
- Abstract(参考訳): 持続可能な開発目標(すなわち持続可能な開発パターン)を達成するための環境文明パターンとしても知られる適切な開発経路の推奨は、特定の地域で生態学的、経済的、社会的、資源的持続可能性を促進する上で最も重要である。
これを実現するためには、地域の自然、環境、資源、経済特性を慎重に検討する必要がある。
しかし,現在のコンピュータ科学分野のレコメンデーションアルゴリズムでは,環境に関わる空間的不均一性や地域的歴史的相互作用データのスパース性に十分対応できず,持続可能な発展パターンの推奨に効果が限定されている。
これらの課題を克服するために,本論文では,Pruning and Intent Graph (UGPIG) 後のユーザグラフという手法を提案する。
まず,pruned user graphの高密度リンク機能を利用して,レコメンデーションアルゴリズムにおける空間的不均一性無視の問題に対処する。
次に、目的領域の環境要素を含む属性の嗜好をキャプチャするインテントネットワークを組み込むことで、インテントグラフを構築する。
このアプローチは、地域における歴史的相互作用データのスパース化の問題を効果的に軽減する。
広範な実験を通じて, ugpigは, 持続的な開発パターンの推奨において, kgcn, kgat, kginなどの最先端の推奨アルゴリズムよりも優れており, 最大でトップ3の推奨性能が9.61%向上していることを実証した。
関連論文リスト
- Towards Effective Next POI Prediction: Spatial and Semantic Augmentation with Remote Sensing Data [10.968721742000653]
本稿では,2段階予測フレームワークにおける効果的なディープラーニング手法を提案する。
本手法は,まずリモートセンシングデータを組み込んで,重要な環境状況の把握を行う。
本研究では,利用者の歴史的トラジェクトリに対するQR-Pグラフを構築し,歴史的旅行知識をカプセル化する。
論文 参考訳(メタデータ) (2024-03-22T04:22:36Z) - Memory efficient location recommendation through proximity-aware
representation [8.505840656442217]
逐次レコメンデーション(PASR:Sequential Recommendation)のための近接認識型領域表現を提案する。
本稿では,重要サンプリングを用いた新たな損失関数を用いて,最適化時の情報的負のサンプルを強調することで,疎結合問題に対処する。
3つの実世界位置ベースソーシャルネットワーキング(LBSN)データセットを用いて評価を行い,PASRが最先端の逐次位置推薦手法を上回ることを示した。
論文 参考訳(メタデータ) (2023-10-10T09:53:07Z) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳(メタデータ) (2023-08-21T15:57:57Z) - 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) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳(メタデータ) (2022-10-22T17:29:34Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - An Adaptive Graph Pre-training Framework for Localized Collaborative
Filtering [79.17319280791237]
局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。
ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。
ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
論文 参考訳(メタデータ) (2021-12-14T06:53:13Z) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳(メタデータ) (2021-08-12T06:09:18Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳(メタデータ) (2021-05-13T14:50:45Z) - Self-Growing Spatial Graph Network for Context-Aware Pedestrian
Trajectory Prediction [11.716375199937568]
STR-GGRNN(Social Trajectory Recommender-Gated Graph Recurrent Neighborhood Network)
STR-GGRNNは、コンテキストシーンの特徴と歩行者の視覚的手がかりに基づいて、データ駆動の適応型オンライン地区推薦を使用する。
ETH-UCYデータセット上での最高性能モデルは12cm ADEと$sim$15 cm FDEである。
論文 参考訳(メタデータ) (2020-12-11T13:25:58Z)
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。