論文の概要: Heterogeneous Hypergraph Embedding for Recommendation Systems

• arxiv url: http://arxiv.org/abs/2407.03665v1
• Date: Thu, 4 Jul 2024 06:09:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 19:02:03.747440
• Title: Heterogeneous Hypergraph Embedding for Recommendation Systems
• Title（参考訳）: 勧告システムのための不均一ハイパーグラフ埋め込み
• Authors: Darnbi Sakong, Viet Hung Vu, Thanh Trung Huynh, Phi Le Nguyen, Hongzhi Yin, Quoc Viet Hung Nguyen, Thanh Tam Nguyen,
• Abstract要約: 知識強化ヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)について紹介する。 KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。 入力グラフからの信号を、クロスビューで自己教師付き学習とアテンションメカニズムで融合する。
• 参考スコア（独自算出の注目度）: 45.49449132970778
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advancements in recommender systems have focused on integrating knowledge graphs (KGs) to leverage their auxiliary information. The core idea of KG-enhanced recommenders is to incorporate rich semantic information for more accurate recommendations. However, two main challenges persist: i) Neglecting complex higher-order interactions in the KG-based user-item network, potentially leading to sub-optimal recommendations, and ii) Dealing with the heterogeneous modalities of input sources, such as user-item bipartite graphs and KGs, which may introduce noise and inaccuracies. To address these issues, we present a novel Knowledge-enhanced Heterogeneous Hypergraph Recommender System (KHGRec). KHGRec captures group-wise characteristics of both the interaction network and the KG, modeling complex connections in the KG. Using a collaborative knowledge heterogeneous hypergraph (CKHG), it employs two hypergraph encoders to model group-wise interdependencies and ensure explainability. Additionally, it fuses signals from the input graphs with cross-view self-supervised learning and attention mechanisms. Extensive experiments on four real-world datasets show our model's superiority over various state-of-the-art baselines, with an average 5.18\% relative improvement. Additional tests on noise resilience, missing data, and cold-start problems demonstrate the robustness of our KHGRec framework. Our model and evaluation datasets are publicly available at \url{https://github.com/viethungvu1998/KHGRec}.
• Abstract（参考訳）: 近年のリコメンデータシステムの進歩は、知識グラフ(KG)の統合に焦点が当てられている。 KGエンハンスドレコメンダの中核となる考え方は、より正確なレコメンデーションにリッチなセマンティック情報を統合することである。 しかし、主な課題は2つある。 i)KGベースのユーザ・テムネットワークにおける複雑な高次相互作用を無視し、潜在的に準最適レコメンデーションにつながること。 二 入力源の不均質な二分グラフ及びKGなどのノイズや不正確性をもたらす可能性のある不均一性に対処すること。 これらの問題に対処するために,我々は,知識に富んだヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)を提案する。 KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。 共同知識ヘテロジニアスハイパーグラフ(CKHG)を用いて、2つのハイパーグラフエンコーダを用いてグループ間の相互依存性をモデル化し、説明可能性を保証する。 さらに、入力グラフからの信号を、クロスビューな自己教師付き学習とアテンションメカニズムで融合する。 4つの実世界のデータセットに対する大規模な実験は、我々のモデルが様々な最先端のベースラインよりも優れていることを示しており、平均5.18\%の相対的な改善がある。 ノイズレジリエンス、欠落データ、コールドスタート問題に関する追加テストは、我々のKHGRecフレームワークの堅牢性を示している。 我々のモデルと評価データセットは \url{https://github.com/viethungvu1998/KHGRec} で公開されている。

関連論文リスト

• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• Disconnected Emerging Knowledge Graph Oriented Inductive Link Prediction [0.0]
  我々はDECG-ILP(Disconnect Emerging Knowledge Graph Oriented Inductive Link Prediction)という新しいモデルを提案する。 CLRMは、元のKGとDECG間で共有されるグローバルな関係に基づく意味的特徴を抽出するために開発された。 モジュールGSMは、各リンク周辺の局所部分グラフトポロジ情報をKGで抽出するために提案される。
  論文  参考訳（メタデータ） (2022-09-03T10:58:24Z)
• Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
  我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。 具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。 我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
  論文  参考訳（メタデータ） (2022-05-02T15:24:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Recommendation [36.95691423601792]
  我々は,パーソナライズされたレコメンデーション(CG-KGR)のための協調指導を用いた注意深い知識認識型畳み込みネットワークを提案する。 CG-KGRは知識を意識した新しい推薦モデルであり、KGとユーザ・イテム相互作用の豊富でコヒーレントな学習を可能にする。 2つのレコメンデーションタスクで4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-09-05T11:55:20Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)

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。