論文の概要: Hyper-Relational Knowledge Graph Neural Network for Next POI
- arxiv url: http://arxiv.org/abs/2311.16683v1
- Date: Tue, 28 Nov 2023 10:55:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 18:44:56.067178
- Title: Hyper-Relational Knowledge Graph Neural Network for Next POI
- Title(参考訳): 次世代POIのためのハイパーリレーショナル知識グラフニューラルネットワーク
- Authors: Jixiao Zhang, Yongkang Li, Ruotong Zou, Jingyuan Zhang, Zipei Fan,
Xuan Song
- Abstract要約: 位置情報ベースのソーシャルネットワーク(LBSN)におけるPOIレコメンデーションシステムは,ユーザや企業に対して多くのメリットをもたらしている。
既存の多くの研究では、LBSNにおけるデータ空間の問題を軽減するためにKG(Knowledge Graph)を使用している。
本稿では,ハイパーリレーショナルな知識グラフニューラルネットワーク(HKGNN)モデルを提案する。
- 参考スコア(独自算出の注目度): 10.855112358613843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advancement of mobile technology, Point of Interest (POI)
recommendation systems in Location-based Social Networks (LBSN) have brought
numerous benefits to both users and companies. Many existing works employ
Knowledge Graph (KG) to alleviate the data sparsity issue in LBSN. These
approaches primarily focus on modeling the pair-wise relations in LBSN to
enrich the semantics and thereby relieve the data sparsity issue. However,
existing approaches seldom consider the hyper-relations in LBSN, such as the
mobility relation (a 3-ary relation: user-POI-time). This makes the model hard
to exploit the semantics accurately. In addition, prior works overlook the rich
structural information inherent in KG, which consists of higher-order relations
and can further alleviate the impact of data sparsity.To this end, we propose a
Hyper-Relational Knowledge Graph Neural Network (HKGNN) model. In HKGNN, a
Hyper-Relational Knowledge Graph (HKG) that models the LBSN data is constructed
to maintain and exploit the rich semantics of hyper-relations. Then we proposed
a Hypergraph Neural Network to utilize the structural information of HKG in a
cohesive way. In addition, a self-attention network is used to leverage
sequential information and make personalized recommendations. Furthermore, side
information, essential in reducing data sparsity by providing background
knowledge of POIs, is not fully utilized in current methods. In light of this,
we extended the current dataset with available side information to further
lessen the impact of data sparsity. Results of experiments on four real-world
LBSN datasets demonstrate the effectiveness of our approach compared to
existing state-of-the-art methods.
- Abstract(参考訳): モバイル技術の発展に伴い、位置情報ベースのソーシャルネットワーク(LBSN)におけるPOIレコメンデーションシステムは、ユーザと企業双方に多くのメリットをもたらしている。
既存の多くの研究では、LBSNのデータ空間の問題を軽減するためにKG(Knowledge Graph)を使用している。
これらのアプローチは、主にLBSNにおけるペアワイズ関係のモデリングに焦点を当て、セマンティクスを充実させ、データ空間の問題を軽減する。
しかし、既存のアプローチでは、移動関係(3項関係:ユーザ-POI-time)のようなLBSNのハイパーリレーションはめったに考慮されない。
これによりモデルは、セマンティクスを正確に活用することが難しくなる。
さらに,従来の研究は,高次関係から成り,データ空間の影響を緩和するKGの豊富な構造情報を見落としており,その目的のために,ハイパーリレーショナル知識グラフニューラルネットワーク(HKGNN)モデルを提案する。
HKGNNでは、LBSNデータをモデル化するハイパーリレーショナル知識グラフ(HKG)が構築され、ハイパーリレーショナルのリッチなセマンティクスを維持し、活用している。
そこで我々は,hkgの構造情報を凝集的に利用するハイパーグラフニューラルネットワークを提案する。
さらに、シーケンシャル情報を活用し、パーソナライズドレコメンデーションを行うために、セルフアテンションネットワークが使用される。
また,従来の手法では,POIの背景知識を提供することによってデータの疎度を低減させるのに不可欠な側情報を十分に利用していない。
これを踏まえて、現在のデータセットを利用可能なサイド情報で拡張し、データ空間の影響をさらに軽減しました。
4つの実世界のlbsnデータセットにおける実験の結果は、既存の最先端手法と比較して、このアプローチの有効性を示している。
関連論文リスト
- Federated Hypergraph Learning: Hyperedge Completion with Local Differential Privacy [6.295242666794106]
FedHGLは、複数のクライアントにわたる包括的なハイパーグラフニューラルネットワークを協調的にトレーニングするように設計されている。
クロスクライアント機能アグリゲーションは中央サーバで実行され、クライアントがこの情報を活用できるように配布される。
論文 参考訳(メタデータ) (2024-08-09T16:31:41Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。
オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。
この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
論文 参考訳(メタデータ) (2023-09-09T06:18:50Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳(メタデータ) (2023-05-22T13:48:30Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳(メタデータ) (2022-07-14T06:17:00Z) - Detecting Owner-member Relationship with Graph Convolution Network in
Fisheye Camera System [9.665475078766017]
我々は,グラフ畳み込みネットワーク(GCN)を設計して,革新的な関係予測手法であるDeepWORDを提案する。
実験の結果,提案手法が最先端の精度と実時間性能を達成できることが判明した。
論文 参考訳(メタデータ) (2022-01-28T13:12:27Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - A Light Heterogeneous Graph Collaborative Filtering Model using Textual
Information [16.73333758538986]
我々は,高度自然言語処理(NLP)モデルを用いて,関連性があり,アクセスしやすいテキスト情報を利用する。
ヘテロジニアスグラフ上のRGCN(RGCN,リレーショナルグラフ畳み込みネットワーク)協調フィルタリング手法を提案する。
論文 参考訳(メタデータ) (2020-10-04T11:10:37Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳(メタデータ) (2020-01-08T01:19:08Z)
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。