論文の概要: Topology-Aware Popularity Debiasing via Simplicial Complexes

• arxiv url: http://arxiv.org/abs/2411.13892v1
• Date: Thu, 21 Nov 2024 07:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:17:36.221009
• Title: Topology-Aware Popularity Debiasing via Simplicial Complexes
• Title（参考訳）: 単純コンプレックスによるトポロジーを考慮した大衆性嫌悪
• Authors: Yanbiao Ji, Yue Ding, Chang Liu, Yuxiang Lu, Xin Xin, Hongtao Lu,
• Abstract要約: TSP(Test-time Simplicial Propagation)は、グラフニューラルネットワーク(GNN)の表現性を高めるために、simplicial Complex(SC)を組み込んだ。 提案手法は, SCを用いて複数順序関係を捕捉し, ユーザとイテムのインタラクションをより包括的に表現する。 提案手法はより均一なアイテム表現分布を生成し,より公平で正確なレコメンデーションを実現する。
• 参考スコア（独自算出の注目度）: 19.378410889819165
• License:
• Abstract: Recommender systems (RS) play a critical role in delivering personalized content across various online platforms, leveraging collaborative filtering (CF) as a key technique to generate recommendations based on users' historical interaction data. Recent advancements in CF have been driven by the adoption of Graph Neural Networks (GNNs), which model user-item interactions as bipartite graphs, enabling the capture of high-order collaborative signals. Despite their success, GNN-based methods face significant challenges due to the inherent popularity bias in the user-item interaction graph's topology, leading to skewed recommendations that favor popular items over less-known ones. To address this challenge, we propose a novel topology-aware popularity debiasing framework, Test-time Simplicial Propagation (TSP), which incorporates simplicial complexes (SCs) to enhance the expressiveness of GNNs. Unlike traditional methods that focus on pairwise relationships, our approach captures multi-order relationships through SCs, providing a more comprehensive representation of user-item interactions. By enriching the neighborhoods of tail items and leveraging SCs for feature smoothing, TSP enables the propagation of multi-order collaborative signals and effectively mitigates biased propagation. Our TSP module is designed as a plug-and-play solution, allowing for seamless integration into pre-trained GNN-based models without the need for fine-tuning additional parameters. Extensive experiments on five real-world datasets demonstrate the superior performance of our method, particularly in long-tail recommendation tasks. Visualization results further confirm that TSP produces more uniform distributions of item representations, leading to fairer and more accurate recommendations.
• Abstract（参考訳）: Recommender System(RS)は、様々なオンラインプラットフォームにパーソナライズされたコンテンツを配信する上で重要な役割を担い、ユーザの過去のインタラクションデータに基づいてレコメンデーションを生成する重要な技術としてコラボレーティブフィルタリング(CF)を利用している。 CFの最近の進歩は、二部グラフとしてユーザとインタラクションをモデル化するグラフニューラルネットワーク(GNN)の採用によって、高次の協調信号の取得を可能にしている。 その成功にもかかわらず、GNNベースの手法は、ユーザとイデムの相互作用グラフのトポロジに固有の人気バイアスが原因で、あまり知られていないものよりも人気のあるアイテムを好む推奨事項が歪んだため、重大な課題に直面している。 この課題に対処するために,GNNの表現性を高めるために,Simplicial Complex(SC)を組み込んだTSP(Test-time Simplicial Propagation)を提案する。 対関係にフォーカスする従来の手法とは異なり、我々の手法はSCを通して複数順序関係をキャプチャし、より包括的なユーザ・イテム相互作用の表現を提供する。 テールアイテムの近傍を豊かにし、特徴平滑化のためにSCを活用することにより、TSPは多階協調信号の伝搬を可能にし、バイアス伝搬を効果的に緩和する。 我々のTSPモジュールは、プラグイン・アンド・プレイのソリューションとして設計されており、追加パラメータを微調整することなく、事前訓練されたGNNベースのモデルにシームレスに統合できる。 5つの実世界のデータセットに対する大規模な実験は、特にロングテールレコメンデーションタスクにおいて、我々の手法の優れた性能を示す。 さらに可視化した結果、TSPはアイテム表現のより均一な分布を生成し、より公平で正確なレコメンデーションをもたらすことが確認された。

関連論文リスト

• Multi-Channel Hypergraph Contrastive Learning for Matrix Completion [37.05130230844348]
  グラフニューラルネットワーク(GNN)は、行列補完において広く使われており、アイテムよりもユーザの好みを捉えている。 行列補完のためのマルチチャネルハイパーグラフコントラスト学習フレームワーク MHCL を提案する。 5つの公開データセットの実験により、提案手法が現在の最先端手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T22:59:36Z)
• 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)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• 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)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
  我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。 KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。 さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
  論文  参考訳（メタデータ） (2021-10-08T09:13:51Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。