論文の概要: GENET: Unleashing the Power of Side Information for Recommendation via Hypergraph Pre-training

• arxiv url: http://arxiv.org/abs/2311.13121v2
• Date: Tue, 04 Mar 2025 12:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:09:03.730646
• Title: GENET: Unleashing the Power of Side Information for Recommendation via Hypergraph Pre-training
• Title（参考訳）: GENET:ハイパーグラフ事前トレーニングによる推奨のためのサイド情報のパワーの解放
• Authors: Yang Li, Qi'ao Zhao, Chen Lin, Zhenjie Zhang, Xiaomin Zhu, Jinsong Su,
• Abstract要約: 一般化されたhypErgraph pretraiNing on sidE informaTionは、フィードバック非関連側情報に関するユーザーおよびアイテム表現を事前訓練する。 一般化されたhypErgraph pretraiNing on sidE informaTionは、フィードバック非関連側情報に関するユーザーおよびアイテム表現を事前訓練する。
• 参考スコア（独自算出の注目度）: 31.508107049448284
• License:
• Abstract: Recommendation with side information has drawn significant research interest due to its potential to mitigate user feedback sparsity. However, existing models struggle with generalization across diverse domains and types of side information. In particular, three challenges have not been addressed, and they are (1) the diverse formats of side information, including text sequences. (2) The diverse semantics of side information that describes items and users from multi-level in a context different from recommendation systems. (3) The diverse correlations in side information to measure similarity over multiple objects beyond pairwise relations. In this paper, we introduce GENET (Generalized hypErgraph pretraiNing on sidE informaTion), which pre-trains user and item representations on feedback-irrelevant side information and fine-tunes the representations on user feedback data. GENET leverages pre-training as a means to prevent side information from overshadowing critical ID features and feedback signals. It employs a hypergraph framework to accommodate various types of diverse side information. During pre-training, GENET integrates tasks for hyperlink prediction and self-supervised contrast to capture fine-grained semantics at both local and global levels. Additionally, it introduces a unique strategy to enhance pre-training robustness by perturbing positive samples while maintaining high-order relations. Extensive experiments demonstrate that GENET exhibits strong generalization capabilities, outperforming the SOTA method by up to 38% in TOP-N recommendation and Sequential recommendation tasks on various datasets with different side information.
• Abstract（参考訳）: サイド情報による勧告は、ユーザからのフィードバックの疎結合を緩和する可能性から、大きな研究関心を集めている。 しかし、既存のモデルは、さまざまなドメインやサイド情報の種類をまたいだ一般化に苦慮している。 特に3つの課題が解決されておらず、(1)テキストシーケンスを含む側面情報の多種多様な形式である。 2)レコメンデーションシステムとは異なる文脈において,多段階から項目やユーザを記述した側面情報の多様性について考察した。 (3)複数オブジェクト間の類似度を対関係を超えて測る側情報の多様性相関について検討した。 本稿では,GENET(Generalized hypErgraph pretraiNing on sidE informaTion)を導入し,ユーザとアイテムをフィードバック関連側情報で事前学習し,ユーザフィードバックデータで表現を微調整する。 GENETは、サイド情報が重要なID機能やフィードバックシグナルを覆すのを防ぐ手段として、事前学習を活用している。 様々な種類の多様なサイド情報に対応するためにハイパーグラフフレームワークを使用している。 事前トレーニング中、GENETはハイパーリンク予測と自己教師付きコントラストのタスクを統合し、ローカルレベルとグローバルレベルの両方できめ細かいセマンティクスをキャプチャする。 さらに、高次関係を維持しつつ、正のサンプルを摂動させることにより、事前学習の堅牢性を高める独自の戦略を導入する。 大規模な実験により、GENETは強力な一般化能力を示し、TOP-Nレコメンデーションとシークエンシャルレコメンデーションタスクにおいて、異なるサイド情報を持つさまざまなデータセット上で、SOTAメソッドを最大38%上回った。

関連論文リスト

• Handling Heterophily in Recommender Systems with Wavelet Hypergraph Diffusion [8.98789209944451]
  本稿では,FWHDNN(Fusion-based Wavelet Hypergraph Diffusion Neural Networks)を紹介する。 このモデルには,(1)異種ハイパーグラフ拡散を利用したクロスディファレンス関係エンコーダ,(2)ウェーブレット変換に基づくハイパーグラフニューラルネットワーク層を用いたマルチレベルクラスタワイドエンコーダ,(3)中間・後期融合戦略を通じて構造情報とテキスト情報を結合する統合マルチモーダル融合機構の3つの重要な構成要素が組み込まれている。
  論文  参考訳（メタデータ） (2025-01-24T11:08:29Z)
• InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation [29.674627482358623]
  我々は、ハイパーグラフ強化デュアル畳み込みニューラルネットワーク(HED)と呼ばれるバンドルレコメンデーションのための統一モデルを開発する。 まず、ユーザ、アイテム、バンドル間のインタラクションのダイナミクスを捉えるための完全なハイパーグラフを構築し、続いてU-Bインタラクション情報を組み込んで、ユーザから派生した情報表現を強化し、組込みベクトルをバンドルする。
  論文  参考訳（メタデータ） (2023-12-18T08:35:10Z)
• Unified Pretraining for Recommendation via Task Hypergraphs [55.98773629788986]
  本稿では,タスクハイパーグラフによる推薦のための統一事前学習という,新しいマルチタスク事前学習フレームワークを提案する。 多様なプレテキストタスクの要求やニュアンスを処理するための統一学習パターンとして,プレテキストタスクをハイパーエッジ予測に一般化するタスクハイパーグラフを設計する。 各プレテキストタスクとレコメンデーションの関連性を識別的に学習するために、新しいトランジショナルアテンション層が考案される。
  論文  参考訳（メタデータ） (2023-10-20T05:33:21Z)
• Rewarded soups: towards Pareto-optimal alignment by interpolating weights fine-tuned on diverse rewards [101.7246658985579]
  ファンデーションモデルは、最初は大量の教師なしデータセットで事前トレーニングされ、次にラベル付きデータで微調整される。 多様な報酬の不均一性を多政学的戦略に従って受け入れることを提案する。 我々は,テキスト・ツー・テキスト(要約,Q&A,補助アシスタント,レビュー),テキスト・イメージ(画像キャプション,テキスト・ツー・イメージ生成,視覚的グラウンド,VQA)タスク,制御(移動)タスクに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2023-06-07T14:58:15Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
  シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-03-29T07:22:31Z)

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。