論文の概要: High-Order Fusion Graph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2407.19692v2
• Date: Sun, 29 Sep 2024 10:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:49:54.766883
• Title: High-Order Fusion Graph Contrastive Learning for Recommendation
• Title（参考訳）: 勧告のための高次融合グラフコントラスト学習
• Authors: Yu Zhang, Lei Sang, Yi Zhang, Yiwen Zhang, Yun Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.02820746003461
• License:
• Abstract: Self-supervised learning (SSL) has recently attracted significant attention in the field of recommender systems. Contrastive learning (CL) stands out as a major SSL paradigm due to its robust ability to generate self-supervised signals. Mainstream graph contrastive learning (GCL)-based methods typically implement CL by creating contrastive views through various data augmentation techniques. Despite these methods are effective, we argue that there still exist several challenges. i) Data augmentation (e.g., discarding edges or adding noise) necessitates additional graph convolution (GCN) or modeling operations, which are highly time-consuming and potentially harm the embedding quality. ii) Existing CL-based methods use traditional CL objectives to capture self-supervised signals. However, few studies have explored obtaining CL objectives from more perspectives and have attempted to fuse the varying signals from these CL objectives to enhance recommendation performance. To overcome these challenges, we propose a High-order Fusion Graph Contrastive Learning (HFGCL) framework for recommendation. Specifically, instead of facilitating data augmentations, we use high-order information from GCN process to create contrastive views. Additionally, to integrate self-supervised signals from various CL objectives, we propose an advanced CL objective. By ensuring that positive pairs are distanced from negative samples derived from both contrastive views, we effectively fuse self-supervised signals from distinct CL objectives, thereby enhancing the mutual information between positive pairs. Experimental results on three public datasets demonstrate the superior recommendation performance and efficiency of HFGCL compared to the state-of-the-art baselines.
• Abstract（参考訳）: 自己教師付き学習(SSL)は近年,レコメンデーションシステム分野において大きな注目を集めている。 コントラスト学習(CL)は、自己教師付き信号を生成する堅牢な能力のため、SSLの主要なパラダイムとして際立っている。 メインストリームグラフコントラスト学習(GCL)ベースの手法は、様々なデータ拡張手法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。 これらの方法が有効であるにも関わらず、いくつかの課題が存在すると論じる。 一 データの増大(例えば、エッジの破棄、ノイズの追加)には、追加のグラフ畳み込み(GCN)又はモデリング操作が必要である。 二 既存のCLベースの手法は、従来のCL目標を用いて自己監督信号のキャプチャを行う。 しかし、より視点からCL目標の獲得を探求する研究はほとんどなく、これらのCL目標から様々な信号を融合してレコメンデーション性能を高めようと試みている。 これらの課題を克服するために,我々はHFGCL(High-order Fusion Graph Contrastive Learning)フレームワークを提案する。 具体的には、データ拡張を容易にする代わりに、GCNプロセスからの高次情報を使用してコントラストビューを作成します。 さらに,様々なCL目標からの自己教師付き信号を統合するために,高度なCL目標を提案する。 両視点から得られた負のサンプルから正のペアが遠ざかることを保証することにより、異なるCL目標から自己監督的信号を効果的に融合し、正のペア間の相互情報を強化する。 3つの公開データセットの実験結果は、最先端のベースラインと比較して、HFGCLの推奨性能と効率が優れていることを示している。

関連論文リスト

• Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation [2.9449497738046078]
  グラフニューラルネットワーク(GNN)は、推薦システムのための強力な学習方法である。 近年,コントラスト学習とGNNの統合は,レコメンデータシステムにおいて顕著な性能を示している。 本研究は,LFA-GCLと呼ばれる潜在因子分析(LFA)強化GCLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-09T03:24:48Z)
• L^2CL: Embarrassingly Simple Layer-to-Layer Contrastive Learning for Graph Collaborative Filtering [33.165094795515785]
  グラフニューラルネットワーク(GNN)は、最近、協調フィルタリングにおいて近隣の信号をモデル化するための効果的なアプローチとして登場した。 L2CLは、異なるレイヤの表現を対比する、原則的なレイヤ間コントラスト学習フレームワークである。 その結果,L2CLは,一対一のコントラスト学習パラダイムのみを用いて,固有の意味構造をキャプチャし,ノード表現の質を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-07-19T12:45:21Z)
• RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
  本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。 RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。 BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
  論文  参考訳（メタデータ） (2024-01-28T11:51:09Z)
• RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation [36.33499876095934]
  コントラスト学習(CL)はレコメンダシステムを改善するための有望な手法である。 反応拡散グラフコントラスト学習モデル(RDGCL)と呼ばれるリコメンデータシステムのための新しいCL法を提案する。 提案したCLベーストレーニングは, 反応と拡散に基づく埋め込みの間に発生するため, グラフ強化は不要である。
  論文  参考訳（メタデータ） (2023-12-27T13:04:46Z)
• Disentangled Contrastive Collaborative Filtering [36.400303346450514]
  グラフコントラスト学習(GCL)は、監督ラベル不足問題に対処する上で、強力な性能を示した。 本稿では,自己監督型拡張による意図的ゆがみを実現するために,DCCF(Disentangled Contrasative Collaborative Filtering framework)を提案する。 我々のDCCFは、絡み合った自己超越信号からより微細な潜伏因子を蒸留できるだけでなく、増大による騒音を軽減することができる。
  論文  参考訳（メタデータ） (2023-05-04T11:53:38Z)
• 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)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Adversarial Training with Complementary Labels: On the Benefit of Gradually Informative Attacks [119.38992029332883]
  不完全な監督を伴う敵の訓練は重要であるが、注意は限られている。 我々は、徐々に情報的攻撃を用いた新しい学習戦略を提案する。 提案手法の有効性を,ベンチマークデータセットを用いて実証する実験を行った。
  論文  参考訳（メタデータ） (2022-11-01T04:26:45Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• Improving Contrastive Learning with Model Augmentation [123.05700988581806]
  このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。 シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
  論文  参考訳（メタデータ） (2022-03-25T06:12:58Z)

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。