論文の概要: Feedback Reciprocal Graph Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2408.02404v1
• Date: Mon, 05 Aug 2024 11:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:21:53.757596
• Title: Feedback Reciprocal Graph Collaborative Filtering
• Title（参考訳）: 逆グラフ協調フィルタリング
• Authors: Weijun Chen, Yuanchen Bei, Qijie Shen, Hao Chen, Xiao Huang, Feiran Huang,
• Abstract要約: 本稿では、このシーソー問題を解決するために、フィードバック相互グラフ協調フィルタリング(FRGCF)を提案する。 FRGCFは、魅力的なアイテムの推奨を強調しながら、ファシネートしないアイテムの推奨を減らしている。 4つのベンチマークデータセットと10億規模の産業データセットの実験は、FRGCFがパフォーマンスを改善することを実証している。
• 参考スコア（独自算出の注目度）: 15.029277961152278
• License:
• Abstract: Collaborative filtering on user-item interaction graphs has achieved success in the industrial recommendation. However, recommending users' truly fascinated items poses a seesaw dilemma for collaborative filtering models learned from the interaction graph. On the one hand, not all items that users interact with are equally appealing. Some items are genuinely fascinating to users, while others are unfascinated. Training graph collaborative filtering models in the absence of distinction between them can lead to the recommendation of unfascinating items to users. On the other hand, disregarding the interacted but unfascinating items during graph collaborative filtering will result in an incomplete representation of users' interaction intent, leading to a decline in the model's recommendation capabilities. To address this seesaw problem, we propose Feedback Reciprocal Graph Collaborative Filtering (FRGCF), which emphasizes the recommendation of fascinating items while attenuating the recommendation of unfascinating items. Specifically, FRGCF first partitions the entire interaction graph into the Interacted & Fascinated (I&F) graph and the Interacted & Unfascinated (I&U) graph based on the user feedback. Then, FRGCF introduces separate collaborative filtering on the I&F graph and the I&U graph with feedback-reciprocal contrastive learning and macro-level feedback modeling. This enables the I&F graph recommender to learn multi-grained interaction characteristics from the I&U graph without being misdirected by it. Extensive experiments on four benchmark datasets and a billion-scale industrial dataset demonstrate that FRGCF improves the performance by recommending more fascinating items and fewer unfascinating items. Besides, online A/B tests on Taobao's recommender system verify the superiority of FRGCF.
• Abstract（参考訳）: ユーザ-イテム相互作用グラフの協調フィルタリングは,産業的推薦において成功している。 しかし、ユーザの真に魅了された項目を推奨することは、対話グラフから学んだ協調フィルタリングモデルに対して、シーソージレンマを生じさせる。 一方、ユーザーが対話するすべてのアイテムが等しく魅力的であるわけではない。 一部のアイテムは本当にユーザーにとって魅力的だが、他のアイテムは不満足だ。 差分のないグラフ協調フィルタリングモデルの訓練は、ユーザに偽装しないアイテムの推奨につながる可能性がある。 一方,グラフ協調フィルタリングにおけるインタラクション項目の無視は,ユーザのインタラクション意図の不完全な表現を招き,モデルの推奨能力の低下につながる。 このシーソー問題に対処するために,不適切な項目の推薦を減らしながら,魅力的な項目の推薦を強調するフィードバック相互グラフ協調フィルタリング(FRGCF)を提案する。 具体的には、FRGCFはまず、ユーザーフィードバックに基づいて、対話グラフ全体をInteracted & Fascinated (I&F)グラフとInteracted & Unfascinated (I&U)グラフに分割する。 次に、FRGCFは、I&FグラフとI&Uグラフに、フィードバック-相互コントラスト学習とマクロレベルのフィードバックモデリングを備えた個別の協調フィルタリングを導入する。 これにより、I&Fグラフレコメンダは、I&Uグラフから複数の粒度の相互作用特性を誤ることなく学習することができる。 4つのベンチマークデータセットと10億規模の産業データセットに関する大規模な実験は、FRGCFがより魅力的なアイテムを推奨し、ファシズムしないアイテムを減らすことで、パフォーマンスを改善することを実証している。 さらに、タオオの推薦システム上でのオンラインA/BテストはFRGCFの優位性を検証する。

関連論文リスト

• Graph Cross-Correlated Network for Recommendation [23.112962250384506]
  本稿では,ユーザ/イテムサブグラフ間の相関関係を明示的に検討するグラフクロスコラーレンス・ネットワーク・フォー・レコメンデーション(GCR)を提案する。 GCRは、インタラクション予測とクリックスルーレート予測タスクの両方において、最先端モデルより優れている。
  論文  参考訳（メタデータ） (2024-11-02T08:50:11Z)
• 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)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• 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)
• Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning [29.482674624323835]
  そこで我々は,NCL(Nighborhood-enriched Contrastive Learning)という新しいコントラスト学習手法を提案する。 相互作用グラフ上の構造的隣人に対しては、ユーザ(またはアイテム)とその構造的隣人を正のコントラスト的対とみなす新しい構造的対照的な目的を開発する。 実装では、ユーザ(またはアイテム)と隣人の表現は異なるGNN層の出力に対応する。
  論文  参考訳（メタデータ） (2022-02-13T04:18:18Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Heterogeneous Graph Collaborative Filtering [25.05199172369437]
  本稿では,ユーザ間インタラクションを異種グラフとしてモデル化し,ユーザ間のインタラクションを示すだけでなく,ユーザ間のインタラクションの類似性を示すエッジをモデル化する。 我々は、相互作用信号と類似信号の両方を明示的にキャプチャできるGCNベースのフレームワークであるヘテロジニアスグラフ協調フィルタリング(HGCF)を開発した。
  論文  参考訳（メタデータ） (2020-11-13T08:34:53Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。