論文の概要: Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2407.17234v2
• Date: Sun, 28 Jul 2024 15:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 19:18:46.571781
• Title: Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation
• Title（参考訳）: 推薦のためのインテントガイド付き異種グラフコントラスト学習
• Authors: Lei Sang, Yu Wang, Yi Zhang, Yiwen Zhang, Xindong Wu,
• Abstract要約: Intent-guided Heterogeneous Graph Contrastive Learning (IHGCL)と呼ばれる革新的なフレームワークを提案する。 IHGCLはメタパスに含まれるインテントをキャプチャすることでCLベースのレコメンデーションを強化することを目的としている。 6つの異なるデータセットで実施された経験的評価は、我々のIHGCLフレームワークの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 17.889906784627904
• License:
• Abstract: Contrastive Learning (CL)-based recommender systems have gained prominence in the context of Heterogeneous Graph (HG) due to their capacity to enhance the consistency of representations across different views. However, existing frameworks often neglect the fact that user-item interactions within HG are governed by diverse latent intents (e.g., brand preferences or demographic characteristics of item audiences), which are pivotal in capturing fine-grained relations. The exploration of these underlying intents, particularly through the lens of meta-paths in HGs, presents us with two principal challenges: i) How to integrate CL with intents; ii) How to mitigate noise from meta-path-driven intents. To address these challenges, we propose an innovative framework termed Intent-guided Heterogeneous Graph Contrastive Learning (IHGCL), which designed to enhance CL-based recommendation by capturing the intents contained within meta-paths. Specifically, the IHGCL framework includes: i) a meta-path-based Dual Contrastive Learning (DCL) approach to effectively integrate intents into the recommendation, constructing intent-intent contrast and intent-interaction contrast; ii) a Bottlenecked AutoEncoder (BAE) that combines mask propagation with the information bottleneck principle to significantly reduce noise perturbations introduced by meta-paths. Empirical evaluations conducted across six distinct datasets demonstrate the superior performance of our IHGCL framework relative to conventional baseline methods. Our model implementation is available at https://github.com/wangyu0627/IHGCL.
• Abstract（参考訳）: Contrastive Learning (CL)ベースのレコメンダシステムは、異種グラフ(HG)のコンテキストにおいて、異なるビュー間の表現の整合性を高める能力から注目されている。 しかし、既存のフレームワークは、HG内のユーザとイテムの相互作用が様々な潜在意図(例えば、アイテムオーディエンスにおけるブランドの好みや人口特性)によって支配されているという事実を無視することが多い。 これらの基礎となる意図の探索、特にHGのメタパスのレンズを通して、主な課題が2つあります。 一 CLを意図と一体化する方法 二 メタパス駆動の意図から騒音を緩和する方法。 これらの課題に対処するために,メタパスに含まれる意図を捉え,CLに基づく推薦を強化することを目的とした,Intent-guided Heterogeneous Graph Contrastive Learning (IHGCL) と呼ばれる革新的なフレームワークを提案する。 具体的には、IHGCLフレームワークには以下のものがある。 一 メタパスに基づくデュアルコントラスト学習(DCL)アプローチで、インテントを推薦に効果的に統合し、インテント・インテント・コントラストとインテント・インタラクティヴ・コントラストを構築すること。 二 メタパスが導入したノイズ摂動を著しく低減するために、マスク伝搬と情報ボトルネック原理を組み合わせたボトルネック式オートエンコーダ(BAE) 6つの異なるデータセットで実施した経験的評価は、従来のベースライン手法と比較して、我々のIHGCLフレームワークの優れた性能を示している。 我々のモデル実装はhttps://github.com/wangyu0627/IHGCLで利用可能です。

関連論文リスト

• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• High-Order Fusion Graph Contrastive Learning for Recommendation [16.02820746003461]
  グラフコントラスト学習(GCL)ベースの手法は、様々なデータ拡張技術を通じてコントラストビューを作成することでCLを実装するのが一般的である。 既存のCLベースの手法では、自己教師付き信号のキャプチャに従来のCLの目的を用いている。 本稿では,HFGCL(High-order Fusion Graph Contrastive Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-29T04:30:38Z)
• Homophily-Driven Sanitation View for Robust Graph Contrastive Learning [28.978770069310276]
  構造化攻撃に対する教師なしグラフコントラスト学習(GCL)の対向的堅牢性について検討する。 本稿では, 相反学習と共同で学習可能な, ホモフィリ駆動型衛生観を統合した頑健なGCLフレームワークを提案する。 我々は,提案モデルであるGCHSの性能を評価するために,広範にわたる実験を行い,GCLに対する芸術的構造的攻撃の2つの状況について検討した。
  論文  参考訳（メタデータ） (2023-07-24T06:41:59Z)
• Similarity Preserving Adversarial Graph Contrastive Learning [5.671825576834061]
  類似性を保存する逆数グラフの対比学習フレームワークを提案する。 本稿では,複数の下流タスクにおいてSP-AGCLが競合性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-06-24T04:02:50Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• Heterogeneous Graph Contrastive Multi-view Learning [11.489983916543805]
  グラフデータセット上での識別ノード表現を学習するために,グラフコントラスト学習(GCL)が開発された。 本稿では,HGCML(Heterogeneous Graph Contrastive Multi-view Learning)モデルを提案する。 HGCMLは、5つの実世界のベンチマークデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-01T10:53:48Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)

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。