論文の概要: Enhancing Recommendation Systems with GNNs and Addressing Over-Smoothing

• arxiv url: http://arxiv.org/abs/2412.03097v1
• Date: Wed, 04 Dec 2024 07:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:09:03.768327
• Title: Enhancing Recommendation Systems with GNNs and Addressing Over-Smoothing
• Title（参考訳）: GNNによるレコメンデーションシステムの強化とオーバースムーシングへの取り組み
• Authors: Wenyi Liu, Ziqi Zhang, Xinshi Li, Jiacheng Hu, Yuanshuai Luo, Junliang Du,
• Abstract要約: 本稿では、グラフニューラルネットワーク(GNN)を利用したレコメンデーションシステムの強化における重要な課題に対処する。 提案手法では、3つのGNNベースのレコメンデーションモデルを導入する。 この研究は、透明で正当化可能な提案を提供することを目的として、レコメンデーションシステムにおける解釈可能性の重要な必要性を強調している。
• 参考スコア（独自算出の注目度）: 7.06152589784002
• License:
• Abstract: This paper addresses key challenges in enhancing recommendation systems by leveraging Graph Neural Networks (GNNs) and addressing inherent limitations such as over-smoothing, which reduces model effectiveness as network hierarchy deepens. The proposed approach introduces three GNN-based recommendation models, specifically designed to mitigate over-smoothing through innovative mechanisms like residual connections and identity mapping within the aggregation propagation process. These modifications enable more effective information flow across layers, preserving essential user-item interaction details to improve recommendation accuracy. Additionally, the study emphasizes the critical need for interpretability in recommendation systems, aiming to provide transparent and justifiable suggestions tailored to dynamic user preferences. By integrating collaborative filtering with GNN architectures, the proposed models not only enhance predictive accuracy but also align recommendations more closely with individual behaviors, adapting to nuanced shifts in user interests. This work advances the field by tackling both technical and user-centric challenges, contributing to the development of robust and explainable recommendation systems capable of managing the complexity and scale of modern online environments.
• Abstract（参考訳）: 本稿では,グラフニューラルネットワーク(GNN)を活用してレコメンデーションシステムを強化する上で重要な課題について論じる。 提案手法は3つのGNNベースレコメンデーションモデルを導入し,アグリゲーション伝搬過程における残差接続やアイデンティティマッピングといった革新的なメカニズムを通じて,過平滑化を緩和する。 これらの修正により、レイヤ間のより効果的な情報フローが可能になり、レコメンデーションの精度を向上させるために、ユーザとイテムのインタラクションの詳細を保存することができる。 さらに、この研究はレコメンデーションシステムにおける解釈可能性の重要な必要性を強調し、ダイナミックなユーザの好みに合わせて、透明で正当化できる提案を提供することを目指している。 GNNアーキテクチャと協調フィルタリングを組み合わせることで、提案モデルは予測精度を向上するだけでなく、個々の行動とより密に連携し、ユーザの興味の微妙な変化に適応する。 この作業は、技術的な課題とユーザ中心の課題に対処し、現代的なオンライン環境の複雑さとスケールを管理することのできる堅牢で説明可能なレコメンデーションシステムの開発に寄与する。

関連論文リスト

• Topology-Aware Popularity Debiasing via Simplicial Complexes [19.378410889819165]
  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。
  論文  参考訳（メタデータ） (2024-11-21T07:12:47Z)
• A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining [7.523158123940574]
  レコメンデーションシステムは、ユーザのニーズを満たすコンテンツをユーザに提供します。 従来のクリックスルーレート予測とTOP-Kレコメンデーションメカニズムはレコメンデーションのニーズを満たすことができない。 本稿では,ネットワーク間の分離に基づくレコメンデーションシステムモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-19T07:49:21Z)
• Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
  大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Collaboration-Aware Graph Convolutional Networks for Recommendation Systems [14.893579746643814]
  グラフニューラルネットワーク(GNN)はレコメンデーションシステムでうまく採用されている。 メッセージパッシングは、埋め込みプロセスに協調的な効果を暗黙的に注入する。 メッセージパッシングが協調的な効果をいかに捉えているのかを包括的に調査する研究はない。 我々は、推薦調整されたGNN、Augmented Collaboration-Aware Graph Conal Network (CAGCN*)を提案する。
  論文  参考訳（メタデータ） (2022-07-03T18:03:46Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Graph Trend Networks for Recommendations [34.06649831739749]
  推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。 これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。 彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。 本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
  論文  参考訳（メタデータ） (2021-08-12T06:09:18Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。