論文の概要: Topology-aware Debiased Self-supervised Graph Learning for
Recommendation
- arxiv url: http://arxiv.org/abs/2310.15858v1
- Date: Tue, 24 Oct 2023 14:16:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 18:18:26.836078
- Title: Topology-aware Debiased Self-supervised Graph Learning for
Recommendation
- Title（参考訳）: トポロジーを意識した自己教師付きグラフ学習
- Authors: Lei Han and Hui Yan and Zhicheng Qiao
- Abstract要約: 本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。
TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する
その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
- 参考スコア（独自算出の注目度）: 6.893289671937124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recommendation, graph-based Collaborative Filtering (CF) methods mitigate
the data sparsity by introducing Graph Contrastive Learning (GCL). However, the
random negative sampling strategy in these GCL-based CF models neglects the
semantic structure of users (items), which not only introduces false negatives
(negatives that are similar to anchor user (item)) but also ignores the
potential positive samples. To tackle the above issues, we propose
Topology-aware Debiased Self-supervised Graph Learning (TDSGL) for
recommendation, which constructs contrastive pairs according to the semantic
similarity between users (items). Specifically, since the original user-item
interaction data commendably reflects the purchasing intent of users and
certain characteristics of items, we calculate the semantic similarity between
users (items) on interaction data. Then, given a user (item), we construct its
negative pairs by selecting users (items) which embed different semantic
structures to ensure the semantic difference between the given user (item) and
its negatives. Moreover, for a user (item), we design a feature extraction
module that converts other semantically similar users (items) into an auxiliary
positive sample to acquire a more informative representation. Experimental
results show that the proposed model outperforms the state-of-the-art models
significantly on three public datasets. Our model implementation codes are
available at https://github.com/malajikuai/TDSGL.
- Abstract（参考訳）: グラフベースの協調フィルタリング(CF)手法は、グラフコントラスト学習(GCL)を導入することにより、データの分散を緩和する。
しかし、これらのGCLベースのCFモデルにおけるランダムなネガティブサンプリング戦略は、偽陰性(アンカーユーザ(item)に類似した負)を導入するだけでなく、潜在的正のサンプルも無視するユーザ(items)のセマンティック構造を無視している。
上記の課題に対処するために,ユーザ間のセマンティックな類似性に応じてコントラッシブなペアを構成するTDSGL(Topology-aware Debiased Self-supervised Graph Learning)を提案する。
具体的には,ユーザとユーザ間のインタラクションデータには,ユーザの購買意図やアイテムの特徴が反映されているため,インタラクションデータ上でユーザ間のセマンティックな類似性を計算する。
そして、ユーザ(item)が与えられた場合、ユーザ(item)を選択して、そのユーザ(item)とその負のセマンティックな違いを確実にするために、異なるセマンティックな構造を組み込む。
さらに、ユーザ(item)に対して、他の意味的に類似したユーザ(item)を補助的なポジティブなサンプルに変換する機能抽出モジュールを設計し、より有益な表現を得る。
実験結果から,提案モデルは3つの公開データセット上で,最先端モデルよりも優れていた。
私たちのモデル実装コードはhttps://github.com/malajikuai/tdsglで利用可能です。
関連論文リスト
- AdaptSSR: Pre-training User Model with Augmentation-Adaptive
Self-Supervised Ranking [19.1857792382924]
本稿では,Augmentation-Supervised Ranking (AdaptSSR)を提案する。
我々は、暗黙的に拡張されたビュー、明示的な拡張されたビュー、および他のユーザからのビューの類似性の順序をキャプチャするために、ユーザモデルを訓練する複数のペアランキング損失を採用する。
6つの下流タスクを持つパブリックデータセットとインダストリアルデータセットの実験は、AdaptSSRの有効性を検証する。
論文 参考訳（メタデータ） (2023-10-15T02:19:28Z) - Graph Collaborative Signals Denoising and Augmentation for
Recommendation [75.25320844036574]
ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。
ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
論文 参考訳（メタデータ） (2023-04-06T19:43:37Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Learning Personalized Item-to-Item Recommendation Metric via Implicit
Feedback [24.37151414523712]
本稿では,暗黙のフィードバックによるメトリクス学習の新しい視点から,レコメンデーションシステムにおける項目間推薦問題について検討する。
本研究では,アイテムの内部コンテンツとユーザによるインタラクションの両方をキャプチャする,パーソナライズ可能なディープメトリックモデルを開発し,検討する。
論文 参考訳（メタデータ） (2022-03-18T18:08:57Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Prototypical Graph Contrastive Learning [141.30842113683775]
本稿では,有意なサンプリングバイアスを緩和するために,プロトタイプグラフコントラスト学習(PGCL)手法を提案する。
具体的には、PGCLは、グラフデータの基盤となる意味構造を、意味論的に類似したグラフを同じグループにクラスタリングすることでモデル化し、同時に、同じグラフの異なる拡張に対するクラスタリング一貫性を奨励する。
クエリのために、PGCLはさらに、プロトタイプ(クラスタセントロイド)とクエリプロトタイプの間の距離に基づいて、負のサンプルを再重み付けする。
論文 参考訳（メタデータ） (2021-06-17T16:45:31Z) - Bootstrapping User and Item Representations for One-Class Collaborative
Filtering [24.30834981766022]
ワンクラスの協調フィルタリング(OCCF)は、ポジティブに関連があるがまだ相互作用していないユーザーとアイテムのペアを特定することです。
本論文では,否定的なサンプリングを必要としない新しいOCCFフレームワークであるBUIRを提案する。
論文 参考訳（メタデータ） (2021-05-13T14:24:13Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z) - Evaluating Models' Local Decision Boundaries via Contrast Sets [119.38387782979474]
テストデータの体系的なギャップを埋めるのに役立つNLPのための新しいアノテーションパラダイムを提案する。
10種類のNLPデータセットに対してコントラストセットを作成することで,コントラストセットの有効性を示す。
我々のコントラストセットは明示的には逆ではないが、モデルの性能は元のテストセットよりも大幅に低い。
論文 参考訳（メタデータ） (2020-04-06T14:47:18Z)
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。