論文の概要: Linear-Time Graph Neural Networks for Scalable Recommendations

• arxiv url: http://arxiv.org/abs/2402.13973v1
• Date: Wed, 21 Feb 2024 17:58:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 14:19:28.822101
• Title: Linear-Time Graph Neural Networks for Scalable Recommendations
• Title（参考訳）: スケーラブルな推薦のための線形時間グラフニューラルネットワーク
• Authors: Jiahao Zhang, Rui Xue, Wenqi Fan, Xin Xu, Qing Li, Jian Pei, Xiaorui Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.45612795600707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In an era of information explosion, recommender systems are vital tools to deliver personalized recommendations for users. The key of recommender systems is to forecast users' future behaviors based on previous user-item interactions. Due to their strong expressive power of capturing high-order connectivities in user-item interaction data, recent years have witnessed a rising interest in leveraging Graph Neural Networks (GNNs) to boost the prediction performance of recommender systems. Nonetheless, classic Matrix Factorization (MF) and Deep Neural Network (DNN) approaches still play an important role in real-world large-scale recommender systems due to their scalability advantages. Despite the existence of GNN-acceleration solutions, it remains an open question whether GNN-based recommender systems can scale as efficiently as classic MF and DNN methods. In this paper, we propose a Linear-Time Graph Neural Network (LTGNN) to scale up GNN-based recommender systems to achieve comparable scalability as classic MF approaches while maintaining GNNs' powerful expressiveness for superior prediction accuracy. Extensive experiments and ablation studies are presented to validate the effectiveness and scalability of the proposed algorithm. Our implementation based on PyTorch is available.
• Abstract（参考訳）: 情報爆発の時代において、レコメンデーションシステムはユーザにパーソナライズされたレコメンデーションを提供するための重要なツールである。 レコメンダシステムの鍵は、以前のユーザ・テーマ間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。 ユーザ・テーマ間インタラクションデータにおける高次コネクティビティの強い表現力から,近年では,レコメンダシステムの予測性能向上にグラフニューラルネットワーク(gnns)を活用することへの関心が高まっている。 それでも、古典的マトリックスファクタライゼーション(MF)とディープニューラルネットワーク(DNN)アプローチは、スケーラビリティのアドバンテージのため、現実の大規模レコメンデータシステムにおいて重要な役割を果たす。 GNNアクセラレーションソリューションが存在するにもかかわらず、GNNベースのレコメンダシステムは従来のMFやDNNの手法と同じくらい効率的にスケールできるのかという疑問が残る。 本稿では,Linear-Time Graph Neural Network(LTGNN)を提案し,従来のMF手法と同等のスケーラビリティを実現するとともに,GNNの強力な表現性を維持しながら予測精度を向上させる。 提案アルゴリズムの有効性と拡張性を検証するため, 大規模な実験とアブレーション実験を行った。 PyTorchに基づく実装が利用可能です。

関連論文リスト

• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• Vertical Federated Graph Neural Network for Recommender System [1.7802147489386633]
  グラフニューラルネットワーク(GNN)は、フェデレーションレコメンデータシステムにとって有望なアプローチになりつつある。 本研究は, VerFedGNN と呼ばれる垂直結合型 GNN ベースのリコメンデータシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-10T08:39:26Z)
• Dual Policy Learning for Aggregation Optimization in Graph Neural Network-based Recommender Systems [4.026354668375411]
  本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。 このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。 提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
  論文  参考訳（メタデータ） (2023-02-21T09:47:27Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
  グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。 この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2022-02-22T08:16:58Z)
• 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 Trend Networks for Recommendations [34.06649831739749]
  推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。 これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。 彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。 本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
  論文  参考訳（メタデータ） (2021-08-12T06:09:18Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• 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)
• UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks [27.485553372163732]
  本稿では,グラフニューラルネットワーク,UBER-GNNを用いたユーザベースの埋め込み提案を提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 実際のPingでの実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-06T09:54:03Z)

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。