論文の概要: Link Prediction in Bipartite Networks
- arxiv url: http://arxiv.org/abs/2406.06658v1
- Date: Mon, 10 Jun 2024 11:23:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 20:35:12.831235
- Title: Link Prediction in Bipartite Networks
- Title(参考訳): バイパートイトネットワークにおけるリンク予測
- Authors: Şükrü Demir İnan Özer, Günce Keziban Orman, Vincent Labatut,
- Abstract要約: 両部グラフを扱える19種類のリンク予測手法を比較した。
本稿では,新しいリンク予測手法として,グラフ畳み込みネットワーク(GCN)に基づくレコメンデーションシステムを提案する。
近年注目されているGCNベースのパーソナライズドレコメンデーションシステムは,バイパーティイトネットワークにおけるリンク予測に有効であることを示す。
- 参考スコア(独自算出の注目度): 1.7446992240872337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bipartite networks serve as highly suitable models to represent systems involving interactions between two distinct types of entities, such as online dating platforms, job search services, or ecommerce websites. These models can be leveraged to tackle a number of tasks, including link prediction among the most useful ones, especially to design recommendation systems. However, if this task has garnered much interest when conducted on unipartite (i.e. standard) networks, it is far from being the case for bipartite ones. In this study, we address this gap by performing an experimental comparison of 19 link prediction methods able to handle bipartite graphs. Some come directly from the literature, and some are adapted by us from techniques originally designed for unipartite networks. We also propose to repurpose recommendation systems based on graph convolutional networks (GCN) as a novel link prediction solution for bipartite networks. To conduct our experiments, we constitute a benchmark of 3 real-world bipartite network datasets with various topologies. Our results indicate that GCN-based personalized recommendation systems, which have received significant attention in recent years, can produce successful results for link prediction in bipartite networks. Furthermore, purely heuristic metrics that do not rely on any learning process, like the Structural Perturbation Method (SPM), can also achieve success.
- Abstract(参考訳): Bipartite Networkは、オンラインデートプラットフォーム、求人検索サービス、eコマースウェブサイトなど、2つの異なるタイプのエンティティ間のインタラクションを含むシステムを表現するのに、非常に適したモデルとして機能する。
これらのモデルは、特にレコメンデーションシステムの設計において、最も有用なものの中でリンク予測を含む、多くのタスクに取り組むために利用することができる。
しかし、このタスクがユニパーティイト(すなわち標準)ネットワーク上で実行されるときに多くの関心を集めているなら、バイパーティライトネットワークには程遠い。
本研究では,両部グラフを扱える19種類のリンク予測手法を実験的に比較することにより,このギャップに対処する。
一部は文学から直接来ており、一部はもともと単部ネットワーク用に設計された技法から私たちによって適応されている。
また,グラフ畳み込みネットワーク (GCN) に基づくレコメンデーションシステムを,バイパーティイトネットワークのための新しいリンク予測ソリューションとして提案する。
実験を行うために,実世界の2部ネットワークデータセットを3つのトポロジでベンチマークする。
近年注目されているGCNベースのパーソナライズドレコメンデーションシステムは,バイパーティイトネットワークにおけるリンク予測に有効であることを示す。
さらに、構造摂動法(Structure Perturbation Method, SPM)のような学習プロセスに依存しない純粋にヒューリスティックなメトリクスも成功できる。
関連論文リスト
- BERT4FCA: A Method for Bipartite Link Prediction using Formal Concept
Analysis and BERT [1.104960878651584]
本稿では,二部ネットワークにおけるリンク予測手法であるBERT4FCAについて,形式的概念解析(FCA)とBERTを用いて提案する。
実世界の2部ネットワーク上で実験を行い,本手法が従来のFCA法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-13T06:02:05Z) - Synergistic Signals: Exploiting Co-Engagement and Semantic Links via
Graph Neural Networks [4.261438296177923]
この問題をNetflixのコンテキストレコメンデータシステムで研究する。
本稿では,SemanticGNNと呼ばれるグラフベースの新しいアプローチを提案する。
1)グラフ内の関係型の不均衡分布を処理するための新しい関係認識型注目グラフニューラルネットワーク(GNN)を開発し,(2)数百万のノードと数十億のエッジを持つWebスケールグラフデータを処理するために,分散グラフトレーニングパラダイムを開発した。
論文 参考訳(メタデータ) (2023-12-07T06:29:26Z) - Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。
我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
論文 参考訳(メタデータ) (2022-10-24T12:05:17Z) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-25T03:12:32Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳(メタデータ) (2021-12-15T09:50:25Z) - Signed Bipartite Graph Neural Networks [42.32959912473691]
署名された二部ネットワークは、2つの異なるノードセットと2つのノードセット間の署名されたリンクを含む古典的な署名されたネットワークとは異なる。
本研究では、まず、同じノードの集合の署名された関係を定義し、署名された二部ネットワークを解析するための新しい視点を提供する。
次に、複数の実世界のデータセットの2つの視点からバランス理論の包括的分析を行う。
論文 参考訳(メタデータ) (2021-08-22T05:15:45Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳(メタデータ) (2021-08-20T12:09:38Z) - Distributed Learning for Time-varying Networks: A Scalable Design [13.657740129012804]
本稿では,スケーラブルなディープニューラルネットワーク(DNN)設計に基づく分散学習フレームワークを提案する。
学習タスクの置換等価性と不変性を利用することで、異なるスケールのクライアントに対して異なるスケールのDNNを構築することができる。
モデルアグリゲーションはこれらの2つのサブマトリクスに基づいて行うことができ、学習の収束と性能を改善することができる。
論文 参考訳(メタデータ) (2021-07-31T12:44:28Z) - Multiplex Bipartite Network Embedding using Dual Hypergraph
Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。
リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文 参考訳(メタデータ) (2021-02-12T07:20:36Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳(メタデータ) (2020-05-15T10:37:02Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z)
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。