論文の概要: How Does Message Passing Improve Collaborative Filtering?

• arxiv url: http://arxiv.org/abs/2404.08660v1
• Date: Wed, 27 Mar 2024 18:53:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-21 20:04:31.257605
• Title: How Does Message Passing Improve Collaborative Filtering?
• Title（参考訳）: メッセージパッシングはどのように協調フィルタリングを改善するか?
• Authors: Mingxuan Ju, William Shiao, Zhichun Guo, Yanfang Ye, Yozen Liu, Neil Shah, Tong Zhao,
• Abstract要約: 協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。 テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
• 参考スコア（独自算出の注目度）: 49.019075781827034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative filtering (CF) has exhibited prominent results for recommender systems and been broadly utilized for real-world applications. A branch of research enhances CF methods by message passing used in graph neural networks, due to its strong capabilities of extracting knowledge from graph-structured data, like user-item bipartite graphs that naturally exist in CF. They assume that message passing helps CF methods in a manner akin to its benefits for graph-based learning tasks in general. However, even though message passing empirically improves CF, whether or not this assumption is correct still needs verification. To address this gap, we formally investigate why message passing helps CF from multiple perspectives and show that many assumptions made by previous works are not entirely accurate. With our curated ablation studies and theoretical analyses, we discover that (1) message passing improves the CF performance primarily by additional representations passed from neighbors during the forward pass instead of additional gradient updates to neighbor representations during the model back-propagation and (ii) message passing usually helps low-degree nodes more than high-degree nodes. Utilizing these novel findings, we present Test-time Aggregation for CF, namely TAG-CF, a test-time augmentation framework that only conducts message passing once at inference time. The key novelty of TAG-CF is that it effectively utilizes graph knowledge while circumventing most of notorious computational overheads of message passing. Besides, TAG-CF is extremely versatile can be used as a plug-and-play module to enhance representations trained by different CF supervision signals. Evaluated on six datasets, TAG-CF consistently improves the recommendation performance of CF methods without graph by up to 39.2% on cold users and 31.7% on all users, with little to no extra computational overheads.
• Abstract（参考訳）: 協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 グラフニューラルネットワークで使用されるメッセージパッシングによってCF手法を強化する研究の分野は、CFに自然に存在するユーザイテム二部グラフのようなグラフ構造化データから知識を抽出する強力な能力があるためである。 彼らは、メッセージパッシングが、グラフベースの学習タスク全般の利点に似た方法でCFメソッドに役立つと仮定する。 しかし、メッセージパッシングがCFを実証的に改善したとしても、この仮定が正しいかどうかはまだ検証が必要である。 このギャップに対処するために、メッセージパッシングがCFを複数の視点から助ける理由を正式に検討し、以前の作業でなされた多くの仮定が完全に正確でないことを示す。 その結果, 1) メッセージパッシングは, モデルバックプロパゲーション中の隣接表現への追加的な勾配更新ではなく, 前方通過中に隣人から渡される追加表現により, CF性能を向上し, (ii) メッセージパッシングは高次ノードよりも低次ノードに役立つことがわかった。 これらの新たな知見を生かして、予測時間に1度だけメッセージパッシングを行うテスト時間拡張フレームワークであるTAG-CFについて、テスト時間アグリゲーションを提案する。 TAG-CFの重要な特徴は、グラフ知識を効果的に活用し、メッセージパッシングの計算上のオーバーヘッドの大部分を回避している点である。 さらに、TAG-CFは様々なCF監視信号によって訓練された表現を強化するためのプラグイン・アンド・プレイ・モジュールとして利用することができる。 6つのデータセットで評価され、TAG-CFは、寒冷なユーザで39.2%、全ユーザで31.7%までグラフ化せずにCFメソッドのレコメンデーション性能を継続的に改善し、余分な計算オーバーヘッドはほとんどない。

関連論文リスト

• Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
  NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。 既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。 本稿では, 対物近似(CF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T07:31:04Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• On Manipulating Signals of User-Item Graph: A Jacobi Polynomial-based Graph Collaborative Filtering [45.75671148689973]
  グラフ協調(CF)はレコメンダシステムにおいて重要な研究方向である。 本稿では,グラフフィルタが性能向上のために考慮すべき重要な要素について分析する。 Jacobiベースとフィルタリング周波数分解戦略に基づいてJGCFを設計し、Alibaba-iFashionで27.06%のパフォーマンス向上を実現した。
  論文  参考訳（メタデータ） (2023-06-06T12:22:09Z)
• 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)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• 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)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
  協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。 本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。 ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-06-14T14:30:32Z)
• A Survey on Concept Factorization: From Shallow to Deep Representation Learning [104.78577405792592]
  概念因子化(CF)は、機械学習とデータマイニングの分野で大きな関心を集めています。 まず、ルートCF法を再検討し、CFに基づく表現学習の進歩について検討する。 また、CFベースの手法の潜在的な適用領域についても紹介する。
  論文  参考訳（メタデータ） (2020-07-31T04:19:14Z)
• Constructing Complexity-efficient Features in XCS with Tree-based Rule Conditions [3.0538120180981294]
  機械学習の主な目標は、無関係な情報を抽象化するテクニックを作ることである。 本稿では,XOFにおけるコードフラグメント(CF)の構造的効率を最適化することを目的とする。
  論文  参考訳（メタデータ） (2020-04-23T05:41:41Z)

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。