Fugu-MT 論文翻訳(概要): Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems

論文の概要: Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems

arxiv url: http://arxiv.org/abs/2311.06323v1
Date: Fri, 10 Nov 2023 12:11:36 GMT
ステータス: 処理完了
システム内更新日: 2023-11-14 19:13:10.941772
Title: Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems
Title（参考訳）: 推薦システムのためのグラフ畳み込みネットワーク技術の開発
Authors: Haojun Zhu, Vikram Kapoor, Priya Sharma
Abstract要約: 本稿では,グラフニューラルネットワークに基づくリコメンデータシステムに関する最近の文献をレビューする。我々は、グラフニューラルネットワークをレコメンデーションシステムに組み込むことの動機を探る。
参考スコア（独自算出の注目度）: 1.2277343096128712
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The Recommender system is a vital information service on today's Internet. Recently, graph neural networks have emerged as the leading approach for recommender systems. We try to review recent literature on graph neural network-based recommender systems, covering the background and development of both recommender systems and graph neural networks. Then categorizing recommender systems by their settings and graph neural networks by spectral and spatial models, we explore the motivation behind incorporating graph neural networks into recommender systems. We also analyze challenges and open problems in graph construction, embedding propagation and aggregation, and computation efficiency. This guides us to better explore the future directions and developments in this domain.
Abstract（参考訳）: Recommenderシステムは今日のインターネット上で重要な情報サービスである。近年,グラフニューラルネットワークがレコメンダシステムの主要なアプローチとして登場している。本稿では,グラフニューラルネットワークに基づくレコメンダシステムに関する最近の文献を概観し,レコメンダシステムとグラフニューラルネットワークの背景と開発について述べる。次に,その設定によるレコメンダシステムと,スペクトルモデルと空間モデルによるグラフニューラルネットワークを分類し,レコメンダシステムにグラフニューラルネットワークを組み込む動機について検討する。また,グラフ構築,埋め込み伝播と集約,計算効率における課題とオープン問題を解析した。これにより、この分野の今後の方向性や展開をより深く探求することができます。

関連論文リスト

Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
論文参考訳（メタデータ） (2024-02-21T17:58:10Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。グラフ畳み込みニューラルネットワークの基礎を詳述する。注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
論文参考訳（メタデータ） (2023-07-03T09:08:01Z)
Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文参考訳（メタデータ） (2022-02-28T15:08:48Z)
An Energy-Based View of Graph Neural Networks [0.0]
グラフニューラルネットワークは、グラフ構造化データを扱うニューラルネットワークの一般的な変種である。本稿では,特徴量と隣接行列を同時に生成するための新しい手法を提案する。本手法はロバスト性を改善しつつ,同等の判別性能を得る。
論文参考訳（メタデータ） (2021-04-27T21:54:30Z)
A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文参考訳（メタデータ） (2021-04-27T08:03:52Z)
A Review of Graph Neural Networks and Their Applications in Power Systems [0.6990493129893112]
ディープニューラルネットワークは、電力システムにおける多くの機械学習タスクに革命をもたらした。これらのタスクのデータは典型的にはユークリッド領域で表される。グラフ構造化データの複雑さは、既存のディープニューラルネットワークに課題をもたらした。
論文参考訳（メタデータ） (2021-01-25T11:50:45Z)
Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文参考訳（メタデータ） (2021-01-06T03:05:37Z)
Graph Neural Networks in Recommender Systems: A Survey [21.438347815928918]
推薦システムでは、インタラクションとサイド情報から効果的なユーザ/イテム表現を学習することが主な課題である。近年,グラフニューラルネットワーク(GNN)技術はリコメンデータシステムで広く利用されている。本稿は、GNNベースのレコメンデータシステムに関する最近の研究成果を包括的にレビューすることを目的としている。
論文参考訳（メタデータ） (2020-11-04T12:57:47Z)
How Researchers Use Diagrams in Communicating Neural Network Systems [5.064404027153093]
本稿では,ニューラルネットワークシステム図の利用について述べる。ダイアグラムの作成と解釈の両方において、使用法、知覚、嗜好の多様性が高いことが分かりました。既存のガイダンスとともにインタビューデータを考慮し、ニューラルネットワークシステム図の作り方を改善するためのガイドラインを提案する。
論文参考訳（メタデータ） (2020-08-28T10:21:03Z)

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。