論文の概要: DeBaTeR: Denoising Bipartite Temporal Graph for Recommendation
- arxiv url: http://arxiv.org/abs/2411.09181v1
- Date: Thu, 14 Nov 2024 04:39:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-15 15:25:28.560927
- Title: DeBaTeR: Denoising Bipartite Temporal Graph for Recommendation
- Title（参考訳）: DeBaTeR:レコメンデーションのための2部テンポラルグラフをデノベートする
- Authors: Xinyu He, Jose Sepulveda, Mostafa Rahmani, Alyssa Woo, Fei Wang, Hanghang Tong,
- Abstract要約: タイムアウェアなユーザ/イテムの埋め込みを生成するための,シンプルかつ効果的な機構を提案する。
提案手法は,2部分節時間グラフをレコメンデータシステムで記述する2つの方法である。
- 参考スコア（独自算出の注目度）: 38.87538556340487
- License:
- Abstract: Due to the difficulty of acquiring large-scale explicit user feedback, implicit feedback (e.g., clicks or other interactions) is widely applied as an alternative source of data, where user-item interactions can be modeled as a bipartite graph. Due to the noisy and biased nature of implicit real-world user-item interactions, identifying and rectifying noisy interactions are vital to enhance model performance and robustness. Previous works on purifying user-item interactions in collaborative filtering mainly focus on mining the correlation between user/item embeddings and noisy interactions, neglecting the benefit of temporal patterns in determining noisy interactions. Time information, while enhancing the model utility, also bears its natural advantage in helping to determine noisy edges, e.g., if someone usually watches horror movies at night and talk shows in the morning, a record of watching a horror movie in the morning is more likely to be noisy interaction. Armed with this observation, we introduce a simple yet effective mechanism for generating time-aware user/item embeddings and propose two strategies for denoising bipartite temporal graph in recommender systems (DeBaTeR): the first is through reweighting the adjacency matrix (DeBaTeR-A), where a reliability score is defined to reweight the edges through both soft assignment and hard assignment; the second is through reweighting the loss function (DeBaTeR-L), where weights are generated to reweight user-item samples in the losses. Extensive experiments have been conducted to demonstrate the efficacy of our methods and illustrate how time information indeed helps identifying noisy edges.
- Abstract（参考訳）: 大規模な明示的なユーザフィードバックを得るのが難しいため、暗黙的なフィードバック(例えば、クリックやその他のインタラクション)がデータ代替源として広く適用されており、そこでは、ユーザとテムのインタラクションを二部グラフとしてモデル化することができる。
暗黙的な現実世界のユーザ・イテム相互作用のノイズとバイアスの性質のため、モデルの性能と堅牢性を高めるために、ノイズの識別と修正が不可欠である。
協調フィルタリングにおけるユーザ・イテムの相互作用の浄化に関する研究は、主にユーザ/イテムの埋め込みとノイズの相互作用の相関をマイニングすることに焦点を当てており、ノイズの相互作用を決定する際の時間的パターンの利点を無視している。
例えば、誰かが通常夜のホラー映画を観たり、朝のトーク番組を見たりすると、朝のホラー映画を見る記録は騒々しい対話になりがちだ。
そこで,本研究では,2部グラフをレコメンデーションシステム(DeBaTeR)に記述する2つの方法を提案する。第1に,アジャケーシ行列(DeBaTeR-A)の再重み付けにより,信頼性スコアが定義され,ソフトな割り当てとハードな割り当ての両方を通じてエッジの重み付けを行う。第2に,損失関数(DeBaTeR-L)の重み付けにより,ユーザイテムサンプルの重み付けを行う。
提案手法の有効性を実証し, ノイズの多いエッジの同定に時間的情報がどのように役立つかを示すため, 大規模な実験が実施されている。
関連論文リスト
- Comparative Performance of Collaborative Bandit Algorithms: Effect of Sparsity and Exploration Intensity [0.6526824510982802]
協調的盗賊は、武器(またはアイテム)間の関係を導入することにより、文脈的盗賊のパフォーマンスを向上させることを目的としている
本稿では,協調バンディットアルゴリズムの包括的解析を行い,その性能を徹底的に比較する。
論文 参考訳（メタデータ） (2024-10-15T22:09:21Z) - EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。
我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。
テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
論文 参考訳（メタデータ） (2024-09-23T03:23:20Z) - Skeleton-Based Human Action Recognition with Noisy Labels [43.58994208412764]
ラベルノイズはモデルのトレーニングに悪影響を及ぼし、認識品質が低下する。
NoiseEraSARは、グローバルなサンプル選択、コティーチング、クロスモーダル・ミックス・オブ・エキスパート戦略を統合している。
提案手法は,確立されたベンチマークの性能向上を実証し,新しい最先端標準を設定した。
論文 参考訳（メタデータ） (2024-03-15T02:42:28Z) - 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) - Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video
Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。
有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文 参考訳（メタデータ） (2023-02-16T07:38:51Z) - DisenHCN: Disentangled Hypergraph Convolutional Networks for
Spatiotemporal Activity Prediction [53.76601630407521]
本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。
特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。
次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
論文 参考訳（メタデータ） (2022-08-14T06:51:54Z) - Robust Contrastive Learning against Noisy Views [79.71880076439297]
ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。
提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
論文 参考訳（メタデータ） (2022-01-12T05:24:29Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - Robust Correlation Tracking via Multi-channel Fused Features and
Reliable Response Map [10.079856376445598]
本稿では,2つのアイデアに基づく頑健な相関追跡アルゴリズム(RCT)を提案する。
まず,追跡対象の勾配や色情報をより自然に記述するために,特徴を融合する手法を提案する。
第二に、応答マップにおけるノイズを著しく低減し、従ってモデルドリフトの問題を緩和する新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-11-25T07:15:03Z) - One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。
実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文 参考訳（メタデータ） (2020-10-23T03:24:44Z)
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。