論文の概要: QoS-Aware Graph Contrastive Learning for Web Service Recommendation
- arxiv url: http://arxiv.org/abs/2401.03162v1
- Date: Sat, 6 Jan 2024 08:36:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 20:14:46.572614
- Title: QoS-Aware Graph Contrastive Learning for Web Service Recommendation
- Title（参考訳）: Webサービス推薦のためのQoS対応グラフコントラスト学習
- Authors: Jeongwhan Choi, Duksan Ryu
- Abstract要約: 本研究は,Quality of Service (QoS) を用いたWebサービスレコメンデーションにおける,データの分散性の課題とコールドスタート問題に対処することを目的とする。
本モデルは,コールドスタート問題に対処し,精度を効果的に向上するために,グラフコントラスト学習の力を利用する。
我々の研究は、ユーザとサービスのインタラクションデータに制限がある場合でも、現実世界のシナリオにおいてより正確なレコメンデーションの可能性を示唆している。
- 参考スコア（独自算出の注目度）: 3.130026754572506
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the rapid growth of cloud services driven by advancements in web service
technology, selecting a high-quality service from a wide range of options has
become a complex task. This study aims to address the challenges of data
sparsity and the cold-start problem in web service recommendation using Quality
of Service (QoS). We propose a novel approach called QoS-aware graph
contrastive learning (QAGCL) for web service recommendation. Our model
harnesses the power of graph contrastive learning to handle cold-start problems
and improve recommendation accuracy effectively. By constructing contextually
augmented graphs with geolocation information and randomness, our model
provides diverse views. Through the use of graph convolutional networks and
graph contrastive learning techniques, we learn user and service embeddings
from these augmented graphs. The learned embeddings are then utilized to
seamlessly integrate QoS considerations into the recommendation process.
Experimental results demonstrate the superiority of our QAGCL model over
several existing models, highlighting its effectiveness in addressing data
sparsity and the cold-start problem in QoS-aware service recommendations. Our
research contributes to the potential for more accurate recommendations in
real-world scenarios, even with limited user-service interaction data.
- Abstract（参考訳）: webサービス技術の進歩によるクラウドサービスの急速な成長に伴い、幅広い選択肢から高品質なサービスを選択することが複雑なタスクになっている。
本研究では,Quality of Service(QoS)を用いたWebサービスレコメンデーションにおいて,データの分散とコールドスタートの問題に対処することを目的とする。
本稿では,Web サービス推薦のための QoS-aware graph contrastive learning (QAGCL) という新しい手法を提案する。
本モデルは,グラフコントラスト学習のパワーを活用して,コールドスタート問題に対処し,レコメンデーション精度を効果的に向上する。
位置情報情報とランダム性を備えた文脈拡張グラフの構築により,我々のモデルは多様なビューを提供する。
グラフ畳み込みネットワークとグラフコントラスト学習技術を用いて、これらの拡張グラフからユーザおよびサービスの埋め込みを学習する。
学習した埋め込みはQoSの考慮事項をシームレスにレコメンデーションプロセスに統合するために利用される。
実験結果から,QoS対応サービスレコメンデーションにおいて,データの分散性に対処する上でのQAGCLモデルの有効性とコールドスタート問題を明らかにすることができた。
本研究は,ユーザ・サービス間インタラクションデータに制限がある場合でも,現実のシナリオにおいてより正確なレコメンデーションを行う可能性を秘めている。
関連論文リスト
- Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。
DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。
DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Loss-aware Curriculum Learning for Heterogeneous Graph Neural Networks [30.333265803394998]
異種グラフニューラルネットワーク(GNN)の性能向上のためのカリキュラム学習手法の適用について検討する。
データの品質をよりよく分類するために、データの全ノードの品質を測定するLTSと呼ばれる損失認識トレーニングスケジュールを設計する。
本研究は,複雑なグラフ構造データ解析のためのHGNNの能力向上のためのカリキュラム学習の有効性を示すものである。
論文 参考訳（メタデータ） (2024-02-29T05:44:41Z) - Large Language Model Meets Graph Neural Network in Knowledge Distillation [7.686812700685084]
サービス指向アーキテクチャにおけるQoS(Quality of Service)を予測するための時間認識フレームワークを提案する。
提案するTOGCLフレームワークは,複数のメトリクスにわたって最先端のメソッドを著しく上回り,最大38.80%の改善を実現している。
論文 参考訳（メタデータ） (2024-02-08T18:33:21Z) - ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph
Convolution [0.16317061277456998]
我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。
ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。
ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-09-22T04:37:51Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳（メタデータ） (2023-04-06T03:02:54Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - An Adaptive Graph Pre-training Framework for Localized Collaborative
Filtering [79.17319280791237]
局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。
ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。
ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
論文 参考訳（メタデータ） (2021-12-14T06:53:13Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳（メタデータ） (2021-05-13T14:50:45Z) - 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) - EWS-GCN: Edge Weight-Shared Graph Convolutional Network for
Transactional Banking Data [2.1169216065483996]
取引先間の送金に基づく顧客間の接続情報により、クレジットスコアリングの質が大幅に向上することを示す。
本研究では,新しいグラフ畳み込みニューラルネットワークモデル EWS-GCN を開発し,アテンション機構によるグラフ畳み込みとリカレントニューラルネットワークのアイデアを組み合わせた。
論文 参考訳（メタデータ） (2020-09-30T12:09:28Z) - 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)
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。