論文の概要: Item-Graph2vec: a Efficient and Effective Approach using Item
Co-occurrence Graph Embedding for Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2310.14215v1
- Date: Sun, 22 Oct 2023 07:46:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 01:02:28.524942
- Title: Item-Graph2vec: a Efficient and Effective Approach using Item
Co-occurrence Graph Embedding for Collaborative Filtering
- Title（参考訳）: アイテム-Graph2vec:協調フィルタリングのためのアイテム共起グラフ埋め込みを用いた効率的かつ効果的なアプローチ
- Authors: Ruilin Yuan and Leya Li and Yuanzhe Cai
- Abstract要約: 現在, Item2vec などの人工ニューラルネットワークに基づく協調フィルタリングアルゴリズムが普及しており, 現代のレコメンデータシステムに広く応用されている。
大規模データセットを扱う場合、現在のアルゴリズムがトレーニング時間コストが高く、安定性が低いという欠点を克服するため、アイテムグラフ埋め込みアルゴリズムであるItem-Graph2vecについて説明する。
- 参考スコア（独自算出の注目度）: 1.2277343096128712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current item-item collaborative filtering algorithms based on artificial
neural network, such as Item2vec, have become ubiquitous and are widely applied
in the modern recommender system. However, these approaches do not apply to the
large-scale item-based recommendation system because of their extremely long
training time. To overcome the shortcoming that current algorithms have high
training time costs and poor stability when dealing with large-scale data sets,
the item graph embedding algorithm Item-Graph2vec is described here. This
algorithm transforms the users' shopping list into a item co-occurrence graph,
obtains item sequences through randomly travelling on this co-occurrence graph
and finally trains item vectors through sequence samples. We posit that because
of the stable size of item, the size and density of the item co-occurrence
graph change slightly with the increase in the training corpus. Therefore,
Item-Graph2vec has a stable runtime on the large scale data set, and its
performance advantage becomes more and more obvious with the growth of the
training corpus. Extensive experiments conducted on real-world data sets
demonstrate that Item-Graph2vec outperforms Item2vec by 3 times in terms of
efficiency on douban data set, while the error generated by the random walk
sampling is small.
- Abstract（参考訳）: 現在, Item2vecのような人工ニューラルネットワークに基づく協調フィルタリングアルゴリズムが普及しており, 現代のレコメンデータシステムに広く応用されている。
しかし、これらのアプローチは、非常に長い訓練期間があるため、大規模アイテムベースレコメンデーションシステムには適用されない。
大規模データセットを扱う際の、現在のアルゴリズムが訓練時間コストが高く、安定性が低いという欠点を克服するために、項目グラフ埋め込みアルゴリズムitem-graph2vecについて述べる。
このアルゴリズムは、ユーザのショッピングリストをアイテム共起グラフに変換し、この共起グラフ上でランダムに移動してアイテムシーケンスを取得し、最後にシーケンスサンプルを介してアイテムベクトルを訓練する。
我々は,アイテムのサイズが安定しているため,学習コーパスの増加に伴い,アイテム共起グラフのサイズと密度がわずかに変化することを仮定する。
そのため、Item-Graph2vecは大規模データセット上で安定したランタイムを持ち、トレーニングコーパスの成長に伴い、そのパフォーマンス上の優位性はますます明確になる。
実世界のデータセットで実施された大規模な実験では、ランダムウォークサンプリングによる誤差が小さく、アイテム-Graph2vecは2つのデータセットの効率を3倍に向上することが示された。
関連論文リスト
- Learning Long Range Dependencies on Graphs via Random Walks [6.7864586321550595]
メッセージパッシンググラフニューラルネットワーク(GNN)は、局所的な関係を捉えるのに優れているが、グラフの長距離依存に苦慮している。
グラフ変換器(GT)はグローバルな情報交換を可能にするが、グラフを固定長ベクトルの集合として表現することでグラフ構造を単純化することが多い。
この研究は、ランダムウォークの長距離情報とローカルメッセージパッシングを組み合わせることによって、両方のアプローチの欠点を克服する新しいアーキテクチャを導入する。
論文 参考訳（メタデータ） (2024-06-05T15:36:57Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - From random-walks to graph-sprints: a low-latency node embedding
framework on continuous-time dynamic graphs [4.372841335228306]
本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。
本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。
グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
論文 参考訳（メタデータ） (2023-07-17T12:25:52Z) - A fast topological approach for predicting anomalies in time-varying
graphs [0.0]
トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。
本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。
実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
論文 参考訳（メタデータ） (2023-05-11T01:54:45Z) - Item Graph Convolution Collaborative Filtering for Inductive
Recommendations [8.653065412619357]
本稿では,暗黙的なユーザ・イテムインタラクションデータに依存しながら,ユーザの視点から帰納的な畳み込みに基づくアルゴリズムを提案する。
提案手法は,4つの実世界のデータセットのトランスダクティブベースラインに対して,最先端のレコメンデーション性能を実現する。
論文 参考訳（メタデータ） (2023-03-28T12:58:41Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-03-27T17:39:00Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳（メタデータ） (2021-08-16T04:20:09Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - CoSimGNN: Towards Large-scale Graph Similarity Computation [5.17905821006887]
グラフニューラルネットワーク(GNN)はこのタスクにデータ駆動型ソリューションを提供する。
既存のGNNベースの手法は、それぞれ2つのグラフを埋め込んだり、グラフ全体のクロスグラフインタラクションをデプロイしたりするが、まだ競合する結果が得られない。
このフレームワークは,まず適応的なプーリング操作で大きなグラフを埋め込んで粗くし,最後に類似点を求めるために粗いグラフにきめ細かな相互作用を展開させる。
論文 参考訳（メタデータ） (2020-05-14T16:33:13Z) - Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。
我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。
我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
論文 参考訳（メタデータ） (2020-01-30T15:32:08Z)
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。