論文の概要: RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation
- arxiv url: http://arxiv.org/abs/2312.16563v1
- Date: Wed, 27 Dec 2023 13:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 18:49:47.668891
- Title: RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation
- Title(参考訳): RDGCL:リコメンデーションのための反応拡散グラフコントラスト学習
- Authors: Jeongwhan Choi, Hyowon Wi, Chaejeong Lee, Sung-Bae Cho, Dongha Lee,
Noseong Park
- Abstract要約: コントラスト学習(CL)はレコメンダシステムを改善するための有望な手法である。
反応拡散グラフコントラスト学習モデル(RDGCL)と呼ばれるリコメンデータシステムのための新しいCL法を提案する。
提案したCLベーストレーニングは, 反応と拡散に基づく埋め込みの間に発生するため, グラフ強化は不要である。
- 参考スコア(独自算出の注目度): 38.50113955476201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contrastive learning (CL) has emerged as a promising technique for improving
recommender systems, addressing the challenge of data sparsity by leveraging
self-supervised signals from raw data. Integration of CL with graph
convolutional network (GCN)-based collaborative filterings (CFs) has been
explored in recommender systems. However, current CL-based recommendation
models heavily rely on low-pass filters and graph augmentations. In this paper,
we propose a novel CL method for recommender systems called the
reaction-diffusion graph contrastive learning model (RDGCL). We design our own
GCN for CF based on both the diffusion, i.e., low-pass filter, and the
reaction, i.e., high-pass filter, equations. Our proposed CL-based training
occurs between reaction and diffusion-based embeddings, so there is no need for
graph augmentations. Experimental evaluation on 6 benchmark datasets
demonstrates that our proposed method outperforms state-of-the-art CL-based
recommendation models. By enhancing recommendation accuracy and diversity, our
method brings an advancement in CL for recommender systems.
- Abstract(参考訳): コントラスト学習 (CL) は, 生データからの自己教師付き信号を活用することで, データの分散性の課題に対処し, 推薦システムを改善するための有望な手法として登場した。
グラフ畳み込みネットワーク(gcn)ベースの協調フィルタリング(cfs)とclの統合は推奨システムで検討されている。
しかし、現在のclベースのレコメンデーションモデルは低パスフィルタとグラフ拡張に大きく依存している。
本稿では,リアクション拡散グラフコントラスト学習モデル (RDGCL) と呼ばれる,リコメンデータシステムのための新しいCL法を提案する。
我々は、拡散、すなわち低域通過フィルタと反応、すなわち高域通過フィルタ、方程式の両方に基づいて、自分たちのgcn for cfを設計する。
提案したCLベーストレーニングは, 反応と拡散に基づく埋め込みの間に発生するため, グラフ強化は不要である。
6つのベンチマークデータセットの実験的評価により,提案手法がclベースレコメンデーションモデルよりも優れていることが示された。
推薦精度と多様性を高めることにより,提案手法はレコメンダシステムにおけるCLの進歩をもたらす。
関連論文リスト
- RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。
RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。
BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
論文 参考訳(メタデータ) (2024-01-28T11:51:09Z) - Poisoning Attacks Against Contrastive Recommender Systems [51.82775185547039]
コントラスト学習(CL)は近年,推薦分野において大きな人気を集めている。
従来の研究では、CLはレコメンデーションの精度を向上するだけでなく、ノイズに対する顕著な堅牢性を示すことも見出されている。
本稿では,CLをベースとしたリコメンデータシステムの脆弱性を特定し,ターゲットアイテムの促進を目的とした毒殺攻撃の危険性を明らかにする。
論文 参考訳(メタデータ) (2023-11-30T04:25:28Z) - LightGCL: Simple Yet Effective Graph Contrastive Learning for
Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。
本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文 参考訳(メタデータ) (2023-02-16T10:16:21Z) - Adversarial Learning Data Augmentation for Graph Contrastive Learning in
Recommendation [56.10351068286499]
グラフコントラスト学習のための学習可能なデータ拡張法(LDA-GCL)を提案する。
提案手法は,InfoMin と InfoMax の原則に従うデータ強化学習とグラフコントラスト学習を含む。
本手法は,データ拡張とユーザやアイテムの効果的な表現を学習するために,対向損失関数を最適化する。
論文 参考訳(メタデータ) (2023-02-05T06:55:51Z) - Heterogeneous Information Crossing on Graphs for Session-based
Recommender Systems [19.959021202757107]
グラフ上の異種情報交差(HICG)というグラフに基づく新しい手法を提案する。
HICGは、グラフ上の異種情報を効果的に横断することにより、ユーザの長期的な嗜好によって現在の関心を捉えている。
また、アイテム表現能力を高めるために、コントラスト学習(CL)技術を取り入れたHICG-CLという拡張版も提案する。
論文 参考訳(メタデータ) (2022-10-24T04:02:33Z) - Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。
HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。
提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文 参考訳(メタデータ) (2022-04-26T10:06:04Z) - Supervised Contrastive Learning for Recommendation [6.407166061614783]
本稿では,2部グラフを事前学習し,グラフ畳み込みニューラルネットワークを微調整する,教師付きコントラスト学習フレームワークを提案する。
我々は、この学習方法をSupervised Contrastive Learning (SCL)と呼び、最も先進的なLightGCNに適用する。
論文 参考訳(メタデータ) (2022-01-10T03:11:42Z) - Localized Graph Collaborative Filtering [20.868562372148677]
推薦のためのGNNベースのCFメソッドを構築するための新しい視点を紹介する。
LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。
各種データセットの実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。
論文 参考訳(メタデータ) (2021-08-10T06:48:32Z) - Contrastive Learning for Debiased Candidate Generation in Large-Scale
Recommender Systems [84.3996727203154]
コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。
我々はCLRecをさらに改良し、マルチCLRecを提案する。
提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
論文 参考訳(メタデータ) (2020-05-20T08:15:23Z) - LightGCN: Simplifying and Powering Graph Convolution Network for
Recommendation [100.76229017056181]
Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。
本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。
我々は,光GCNと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-02-06T06:53:42Z)
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。