論文の概要: Consistency and Discrepancy-Based Contrastive Tripartite Graph Learning for Recommendations

• arxiv url: http://arxiv.org/abs/2407.05126v1
• Date: Sat, 06 Jul 2024 16:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 20:16:00.484051
• Title: Consistency and Discrepancy-Based Contrastive Tripartite Graph Learning for Recommendations
• Title（参考訳）: コンシステンシーと離散性に基づく3部グラフ学習
• Authors: Linxin Guo, Yaochen Zhu, Min Gao, Yinghui Tao, Junliang Yu, Chen Chen,
• Abstract要約: Tripartiteのグラフベースのレコメンダシステムは、ユーザグループやアイテムバンドルといったユニークな組み合わせを推奨することで、従来のモデルから切り離される。 本稿では,三部グラフに基づく推薦のための一貫性と離散性に基づくグラフコントラスト学習手法を提案する。
• 参考スコア（独自算出の注目度）: 11.770348849362618
• License:
• Abstract: Tripartite graph-based recommender systems markedly diverge from traditional models by recommending unique combinations such as user groups and item bundles. Despite their effectiveness, these systems exacerbate the longstanding cold-start problem in traditional recommender systems, because any number of user groups or item bundles can be formed among users or items. To address this issue, we introduce a Consistency and Discrepancy-based graph contrastive learning method for tripartite graph-based Recommendation. This approach leverages two novel meta-path-based metrics consistency and discrepancy to capture nuanced, implicit associations between the recommended objects and the recommendees. These metrics, indicative of high-order similarities, can be efficiently calculated with infinite graph convolutional networks layers under a multi-objective optimization framework, using the limit theory of GCN.
• Abstract（参考訳）: Tripartiteのグラフベースのレコメンダシステムは、ユーザグループやアイテムバンドルといったユニークな組み合わせを推奨することで、従来のモデルと大きく異なる。 有効性にもかかわらず、これらのシステムは、ユーザグループやアイテムバンドルの数をユーザやアイテム間で形成できるため、従来のレコメンデーションシステムにおける長時間のコールドスタート問題を悪化させる。 この問題に対処するために,三部グラフに基づくレコメンデーションのための一貫性と離散性に基づくグラフコントラスト学習手法を提案する。 このアプローチでは、2つの新しいメタパスベースのメトリクス一貫性と不一致を利用して、推奨オブジェクトとレコメンデーションの間の暗黙的な関連をキャプチャする。 高次類似性を示すこれらの指標は、GCNの極限理論を用いて、多目的最適化フレームワークの下で無限グラフ畳み込みネットワーク層を用いて効率的に計算することができる。

関連論文リスト

• Bilateral Unsymmetrical Graph Contrastive Learning for Recommendation [12.945782054710113]
  両面非対称グラフコントラスト学習(BusGCL)と呼ばれる推薦タスクのための新しいフレームワークを提案する。 BusGCLは、スライスされたユーザとアイテムグラフのユーザ-itemノード関係密度の両側非対称性を、両スライスしたコントラストトレーニングより優れていると考えている。 2つの公開データセットに関する総合的な実験は、様々なレコメンデーション手法と比較して、BusGCLの優位性を証明している。
  論文  参考訳（メタデータ） (2024-03-22T09:58:33Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
  グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。 本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T11:49:33Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• 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)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
  本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。 いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
  論文  参考訳（メタデータ） (2021-09-20T14:42:39Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。