論文の概要: TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation
- arxiv url: http://arxiv.org/abs/2310.00569v1
- Date: Sun, 1 Oct 2023 03:56:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 03:30:39.142894
- Title: TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation
- Title（参考訳）: tdcgl:レコメンデーションのための2レベルデバイアスコントラストグラフ学習
- Authors: Yubo Gao, Haotian Wu
- Abstract要約: 実世界におけるKGの実体の長期分布とノイズ問題により、アイテム・エンティリティ依存関係は真の特性を反映しない。
我々はTDCL(Two-Level Debiased Contrastive Learning)を設計し、知識グラフに展開する。
オープンソースデータセットに関する検討実験により,提案手法は優れたアンチノイズ性能を有することが示された。
- 参考スコア（独自算出の注目度）: 1.5836776102398225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: knowledge graph-based recommendation methods have achieved great success in
the field of recommender systems. However, over-reliance on high-quality
knowledge graphs is a bottleneck for such methods. Specifically, the
long-tailed distribution of entities of KG and noise issues in the real world
will make item-entity dependent relations deviate from reflecting true
characteristics and significantly harm the performance of modeling user
preference. Contrastive learning, as a novel method that is employed for data
augmentation and denoising, provides inspiration to fill this research gap.
However, the mainstream work only focuses on the long-tail properties of the
number of items clicked, while ignoring that the long-tail properties of total
number of clicks per user may also affect the performance of the recommendation
model. Therefore, to tackle these problems, motivated by the Debiased
Contrastive Learning of Unsupervised Sentence Representations (DCLR), we
propose Two-Level Debiased Contrastive Graph Learning (TDCGL) model.
Specifically, we design the Two-Level Debiased Contrastive Learning (TDCL) and
deploy it in the KG, which is conducted not only on User-Item pairs but also on
User-User pairs for modeling higher-order relations. Also, to reduce the bias
caused by random sampling in contrastive learning, with the exception of the
negative samples obtained by random sampling, we add a noise-based generation
of negation to ensure spatial uniformity. Considerable experiments on
open-source datasets demonstrate that our method has excellent anti-noise
capability and significantly outperforms state-of-the-art baselines. In
addition, ablation studies about the necessity for each level of TDCL are
conducted.
- Abstract（参考訳）: 知識グラフに基づくレコメンデーション手法は,レコメンデーションシステムの分野で大きな成功を収めている。
しかし、高品質の知識グラフへの過剰依存はそのような方法のボトルネックである。
特に、実世界におけるkgの実体の長期的分布とノイズ問題により、アイテム・エンティティ依存関係は真の特性の反映から逸脱し、ユーザの好みのモデリング性能に著しく影響する。
コントラスト学習(Contrastive Learning)は、データ拡張とデノベーションに使用される新しい方法として、この研究ギャップを埋めるためのインスピレーションを提供する。
しかし、メインストリームの作業は、クリックした項目数の長いテール特性のみに焦点を当て、また、ユーザ毎のクリック数全体のロングテール特性がレコメンデーションモデルの性能にも影響を及ぼす可能性があることを無視する。
そこで本研究では,非教師付き文表現のデバイアス付きコントラスト学習(DCLR)をモチベーションとした2レベルデバイアス付きコントラストグラフ学習(TDCGL)モデルを提案する。
具体的には、TDCL(Two-Level Debiased Contrastive Learning)を設計し、KGに展開する。
また,逆学習におけるランダムサンプリングによるバイアスを低減するために,ランダムサンプリングによって得られた負のサンプルを除いて,ノイズに基づく否定生成を加え,空間的均一性を確保する。
オープンソースのデータセットに関する検討実験により,本手法は優れたアンチノイズ能力を有し,最先端のベースラインを大幅に上回ることを示す。
さらに, 各レベルのTDCLの必要性に関するアブレーション研究を行った。
関連論文リスト
- Data Augmentation of Contrastive Learning is Estimating Positive-incentive Noise [54.24688963649581]
コントラスト学習と$pi$-noiseの関係を科学的に検討する。
タスクに有益なノイズを学習することを目的としたポジティブ・インセンティブノイズ(Pi-Noise または $pi$-Noise )のアイデアに触発されて,我々は $pi$-noise ジェネレータを開発した。
論文 参考訳（メタデータ） (2024-08-19T12:07:42Z) - Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation [2.9449497738046078]
グラフニューラルネットワーク(GNN)は、推薦システムのための強力な学習方法である。
近年,コントラスト学習とGNNの統合は,レコメンデータシステムにおいて顕著な性能を示している。
本研究は,LFA-GCLと呼ばれる潜在因子分析(LFA)強化GCLアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-09T03:24:48Z) - Neighborhood-Enhanced Supervised Contrastive Learning for Collaborative
Filtering [23.584619027605203]
協調フィルタリング(CF)技術は、データの分散性の課題に直面している。
コントラスト信号とコントラスト損失を効果的に組み合わせた2つのユニークな教師付きコントラスト損失関数を開発した。
グラフベースの協調フィルタリングモデルをバックボーンとして使用することにより,レコメンデーションモデルの性能を効果的に向上する。
論文 参考訳（メタデータ） (2024-02-18T09:46:51Z) - Prototypical Contrastive Learning through Alignment and Uniformity for
Recommendation [6.790779112538357]
提案するアンダーライン・アライメントとアンダーライン・ユニフォーマル性によるインダーライン型コントラスト学習について述べる。
具体的には、まず、原点グラフから異なる拡張点間の整合性を確保するために、潜時空間としてプロトタイプを提案する。
明示的な負の欠如は、インスタンスとプロトタイプ間の整合性損失を直接最適化することで、次元的な崩壊の問題が容易に生じることを意味する。
論文 参考訳（メタデータ） (2024-02-03T08:19:26Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - LightGCL: Simple Yet Effective Graph Contrastive Learning for
Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。
本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文 参考訳（メタデータ） (2023-02-16T10:16:21Z) - Feature-Level Debiased Natural Language Understanding [86.8751772146264]
既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。
本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。
DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2022-12-11T06:16:14Z) - WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation
Models [24.455665093145818]
我々は、WSLRecと呼ばれる新しいモデルに依存しないトレーニング手法を提案し、3段階のフレームワーク(事前学習、トップ$k$マイニング、本質的、微調整)を採用する。
WSLRec は、BR や ItemCF のようなモデルフリーメソッドから、余分な弱い監督のモデルを事前訓練することで、不完全性の問題を解決すると同時に、最上位の$k のマイニングを活用して、微調整のための弱い監督の信頼性の高いユーザ・イテム関連を検査することで、不正確な問題を解消する。
論文 参考訳（メタデータ） (2022-02-28T08:55:12Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳（メタデータ） (2021-12-20T14:47:32Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z) - Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。
kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
論文 参考訳（メタデータ） (2020-03-12T12:44:30Z)
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。