論文の概要: On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation

• arxiv url: http://arxiv.org/abs/2309.13384v1
• Date: Sat, 23 Sep 2023 14:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 20:11:10.510244
• Title: On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation
• Title（参考訳）: 知識向上のためのコントラスト視点のスイートスポットについて
• Authors: Haibo Ye, Xinjie Li, Yuan Yao and Hanghang Tong
• Abstract要約: KG強化推薦の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。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
• 参考スコア（独自算出の注目度）: 49.18304766331156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recommender systems, knowledge graph (KG) can offer critical information that is lacking in the original user-item interaction graph (IG). Recent process has explored this direction and shows that contrastive learning is a promising way to integrate both. However, we observe that existing KG-enhanced recommenders struggle in balancing between the two contrastive views of IG and KG, making them sometimes even less effective than simply applying contrastive learning on IG without using KG. In this paper, we propose a new contrastive learning framework for KG-enhanced recommendation. Specifically, to make full use of the knowledge, we construct two separate contrastive views for KG and IG, and maximize their mutual information; to ease the contrastive learning on the two views, we further fuse KG information into IG in a one-direction manner.Extensive experimental results on three real-world datasets demonstrate the effectiveness and efficiency of our method, compared to the state-of-the-art. Our code is available through the anonymous link:https://figshare.com/articles/conference_contribution/SimKGCL/22783382
• Abstract（参考訳）: 推薦システムでは、知識グラフ(KG)は、元のユーザ・イテム相互作用グラフ(IG)に欠けている重要な情報を提供することができる。 最近のプロセスでは、この方向を探索し、対照的な学習が両方を統合する有望な方法であることを示す。 しかし,既存のkg-enhancedレコメンダは,igとkgの2つのコントラストビューのバランスに苦慮しているため,単にkgを使わずにigにコントラスト学習を施すよりも効果が低くなることもある。 本稿では,KG強化レコメンデーションの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、知識をフル活用するために、KGとIGの2つの異なるコントラスト的視点を構築し、それらの相互情報を最大化し、2つの視点のコントラスト的学習を容易にするため、KG情報をIGに一方向的に融合させる。 我々のコードは匿名リンクで利用できる。https://figshare.com/articles/conference_contribution/SimKGCL/22783382

関連論文リスト

• Heterogeneous Hypergraph Embedding for Recommendation Systems [45.49449132970778]
  知識強化ヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)について紹介する。 KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。 入力グラフからの信号を、クロスビューで自己教師付き学習とアテンションメカニズムで融合する。
  論文  参考訳（メタデータ） (2024-07-04T06:09:11Z)
• Knowledge Enhanced Multi-intent Transformer Network for Recommendation [11.53964363972865]
  我々は,KGTN(Knowledge Enhanced Multi-intent Transformer Network for Recommendation)という新しいアプローチを提案する。 Graph Transformerを使用したGlobal Intentsは、ユーザ-item-relation-entityインタラクションからグラフトランスフォーマーへのグローバルシグナルを取り入れることで、学習可能なユーザ意図の取得に重点を置いている。 インテント下での知識コントラストの認知は、正確で堅牢な表現を学ぶことに集中している。
  論文  参考訳（メタデータ） (2024-05-31T01:07:37Z)
• Knowledge Graph Context-Enhanced Diversified Recommendation [53.3142545812349]
  本研究では,知識グラフ(KG)の複雑な文脈における多角化RecSys領域について検討する。 私たちのコントリビューションには、革新的なメトリック、エンティティカバレッジ、KGドメイン内の多様性を効果的に定量化するリレーショナルカバレッジの導入が含まれています。 そこで本稿では,文脈整合性を維持しつつ,KG項目の埋め込みを符号化するCAU(Conditional Alignment and Uniformity)という新しい手法を紹介する。
  論文  参考訳（メタデータ） (2023-10-20T03:18:57Z)
• Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
  知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。 本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-15T12:16:10Z)
• Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
  我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。 具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。 我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
  論文  参考訳（メタデータ） (2022-05-02T15:24:53Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation [36.95691423601792]
  我々は,パーソナライズされたレコメンデーション(CG-KGR)のための協調指導を用いた注意深い知識認識型畳み込みネットワークを提案する。 CG-KGRは知識を意識した新しい推薦モデルであり、KGとユーザ・イテム相互作用の豊富でコヒーレントな学習を可能にする。 2つのレコメンデーションタスクで4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-09-05T11:55:20Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。