Fugu-MT 論文翻訳(概要): Position-aware Graph Transformer for Recommendation

論文の概要: Position-aware Graph Transformer for Recommendation

arxiv url: http://arxiv.org/abs/2412.18731v1
Date: Wed, 25 Dec 2024 01:22:35 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-30 17:24:20.353035
Title: Position-aware Graph Transformer for Recommendation
Title（参考訳）: 推薦のための位置対応グラフ変換器
Authors: Jiajia Chen, Jiancan Wu, Jiawei Chen, Chongming Gao, Yong Li, Xiang Wang,
Abstract要約: 我々は新しいグラフトランス (GT) フレームワーク - textitPosition-aware Graph Transformer for Recommendation (PGTR) を提案する。キーとなる洞察は、ノードの位置と構造情報をユーザとイテムの相互作用グラフからGTアーキテクチャに明示的に組み込むことである。実世界の4つのデータセットにまたがる様々なGCNベースのバックボーンに実装したPGTR法の有効性を実証研究により実証した。
参考スコア（独自算出の注目度）: 13.448664870389722
License:
Abstract: Collaborative recommendation fundamentally involves learning high-quality user and item representations from interaction data. Recently, graph convolution networks (GCNs) have advanced the field by utilizing high-order connectivity patterns in interaction graphs, as evidenced by state-of-the-art methods like PinSage and LightGCN. However, one key limitation has not been well addressed in existing solutions: capturing long-range collaborative filtering signals, which are crucial for modeling user preference. In this work, we propose a new graph transformer (GT) framework -- \textit{Position-aware Graph Transformer for Recommendation} (PGTR), which combines the global modeling capability of Transformer blocks with the local neighborhood feature extraction of GCNs. The key insight is to explicitly incorporate node position and structure information from the user-item interaction graph into GT architecture via several purpose-designed positional encodings. The long-range collaborative signals from the Transformer block are then combined linearly with the local neighborhood features from the GCN backbone to enhance node embeddings for final recommendations. Empirical studies demonstrate the effectiveness of the proposed PGTR method when implemented on various GCN-based backbones across four real-world datasets, and the robustness against interaction sparsity as well as noise.
Abstract（参考訳）: コラボレーションレコメンデーションは、対話データから品質の高いユーザとアイテムの表現を学習する。近年、PinSageやLightGCNといった最先端の手法によって証明されるように、相互作用グラフの高次接続パターンを利用して、グラフ畳み込みネットワーク(GCN)がフィールドを前進させている。しかし、既存のソリューションでは1つの重要な制限がうまく対処されていない。本稿では,Transformerブロックのグローバルモデリング機能とGCNの局所的特徴抽出を組み合わせた新しいグラフトランスフォーマ(GT)フレームワークを提案する。キーとなる洞察は、いくつかの目的に設計された位置エンコーディングを通じて、ユーザ-itemインタラクショングラフからノードの位置と構造情報をGTアーキテクチャに明示的に組み込むことである。 Transformerブロックからの長距離協調信号はGCNバックボーンの局所的な特徴と線形に結合され、最終的なレコメンデーションのためのノード埋め込みが強化される。実世界の4つのデータセットにまたがる様々なGCNベースのバックボーンに実装した場合のPGTR法の有効性と、相互作用の空間性やノイズに対する堅牢性について実験的検討を行った。

関連論文リスト

Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-06T01:33:24Z)
TransGNN: Harnessing the Collaborative Power of Transformers and Graph Neural Networks for Recommender Systems [31.922581157563272]
協調フィルタリング(CF)のための有望なソリューションとして、グラフニューラルネットワーク(GNN)が登場している。本稿では,Transformer層とGNN層を相互に拡張するために交互に統合する新しいモデルであるTransGNNを提案する。
論文参考訳（メタデータ） (2023-08-28T07:03:08Z)
Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文参考訳（メタデータ） (2023-03-14T20:35:45Z)
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)
Long Range Graph Benchmark [32.317725340138104]
単にワンホップメッセージパッシングに頼るMP-GNNは、既存のグラフベンチマークでよく使われる。ベースラインのGNNとGraph Transformerネットワークの両方をベンチマークし、長距離依存をキャプチャするモデルがこれらのタスクにおいて著しく優れていることを検証した。
論文参考訳（メタデータ） (2022-06-16T13:33:22Z)
Edge-augmented Graph Transformers: Global Self-attention is Enough for Graphs [24.796242917673755]
本稿では,変圧器の残差エッジチャネルに対する簡易かつ強力な拡張を提案する。結果として得られるフレームワークは、Edge-augmented Graph Transformer (EGT)と呼ばれ、ノード情報だけでなく、構造情報を直接受け入れ、処理し、出力することができる。我々のフレームワークはグローバルノードの特徴集約に依存しており、グラフ畳み込みネットワーク(GCN)よりも優れたパフォーマンスを実現しています。
論文参考訳（メタデータ） (2021-08-07T02:18:11Z)
Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文参考訳（メタデータ） (2021-03-05T10:46:16Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
RGCF: Refined Graph Convolution Collaborative Filtering with concise and expressive embedding [42.46797662323393]
我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。 RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
論文参考訳（メタデータ） (2020-07-07T12:26:10Z)
Relation Transformer Network [25.141472361426818]
本稿では,シーングラフ生成と関係予測のためのトランスフォーメーションを提案する。我々はトランスのエンコーダ・デコーダアーキテクチャを利用して,ノードとエッジのリッチな機能埋め込みを行う。我々の関係予測モジュールは学習ノードとエッジ埋め込みから有向関係を分類する。
論文参考訳（メタデータ） (2020-04-13T20:47:01Z)

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。