論文の概要: Graph Contrastive Learning on Multi-label Classification for Recommendations

• arxiv url: http://arxiv.org/abs/2501.06985v1
• Date: Mon, 13 Jan 2025 00:29:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:26:36.066398
• Title: Graph Contrastive Learning on Multi-label Classification for Recommendations
• Title（参考訳）: 推薦のための多ラベル分類におけるグラフコントラスト学習
• Authors: Jiayang Wu, Wensheng Gan, Huashen Lu, Philip S. Yu,
• Abstract要約: マルチラベル分類のためのグラフコントラスト学習モデル(MCGCL)を提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。 マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。
• 参考スコア（独自算出の注目度）: 34.785207813971134
• License:
• Abstract: In business analysis, providing effective recommendations is essential for enhancing company profits. The utilization of graph-based structures, such as bipartite graphs, has gained popularity for their ability to analyze complex data relationships. Link prediction is crucial for recommending specific items to users. Traditional methods in this area often involve identifying patterns in the graph structure or using representational techniques like graph neural networks (GNNs). However, these approaches encounter difficulties as the volume of data increases. To address these challenges, we propose a model called Graph Contrastive Learning for Multi-label Classification (MCGCL). MCGCL leverages contrastive learning to enhance recommendation effectiveness. The model incorporates two training stages: a main task and a subtask. The main task is holistic user-item graph learning to capture user-item relationships. The homogeneous user-user (item-item) subgraph is constructed to capture user-user and item-item relationships in the subtask. We assessed the performance using real-world datasets from Amazon Reviews in multi-label classification tasks. Comparative experiments with state-of-the-art methods confirm the effectiveness of MCGCL, highlighting its potential for improving recommendation systems.
• Abstract（参考訳）: ビジネス分析では、企業の利益を高めるために効果的なレコメンデーションを提供することが不可欠である。 二部グラフのようなグラフベースの構造の利用は、複雑なデータ関係を分析する能力で人気を集めている。 リンク予測は、特定のアイテムをユーザに推奨するために重要である。 この領域の伝統的な手法は、しばしばグラフ構造におけるパターンの識別、あるいはグラフニューラルネットワーク(GNN)のような表現的手法を使用する。 しかし、データ量が増加するにつれて、これらのアプローチは困難に直面する。 これらの課題に対処するため,MCGCL (Graph Contrastive Learning for Multi-label Classification) と呼ばれるモデルを提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。 このモデルには、メインタスクとサブタスクの2つのトレーニングステージが含まれている。 主な課題は、ユーザとイテムの関係を捉えるための総合的なユーザとイテムグラフの学習である。 均質なユーザ・ユーザ・イテム(item-item)サブグラフを構築し、サブタスク内のユーザ・ユーザ・イテム関係とアイテム・イテム関係をキャプチャする。 マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。 最先端手法との比較実験により、MCGCLの有効性が確認され、レコメンデーションシステムの改善の可能性を強調した。

関連論文リスト

• Improving Content Recommendation: Knowledge Graph-Based Semantic Contrastive Learning for Diversity and Cold-Start Users [5.224122150536595]
  本稿では,複数タスクのハイブリッド学習手法を提案する。 我々のアプローチは、テキストからの意味情報を活用することにより、知識グラフ内のエンティティ間の関係をよりよく理解することを可能にする。
  論文  参考訳（メタデータ） (2024-03-27T15:11:00Z)
• TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation [1.5836776102398225]
  実世界におけるKGの実体の長期分布とノイズ問題により、アイテム・エンティリティ依存関係は真の特性を反映しない。 我々はTDCL(Two-Level Debiased Contrastive Learning)を設計し、知識グラフに展開する。 オープンソースデータセットに関する検討実験により,提案手法は優れたアンチノイズ性能を有することが示された。
  論文  参考訳（メタデータ） (2023-10-01T03:56:38Z)
• DEKGCI: A double-sided recommendation model for integrating knowledge graph and user-item interaction graph [0.0]
  本稿では,新しい両面推薦モデルであるDECGCIを提案する。 ユーザ側でのユーザ表現を豊かにするために,ユーザ-イテム相互作用グラフからの高次協調信号を使用する。
  論文  参考訳（メタデータ） (2023-06-24T01:54:49Z)
• 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)
• Virtual Relational Knowledge Graphs for Recommendation [15.978408290522852]
  全ての関連型をアイテムエンコーディングに利用することは効率的でも効果的でもないことを論じる。 まず,教師なし学習方式を用いて仮想関係グラフ(VRKG)を構築する。 また、ユーザ表現学習において、LWS機構をユーザアイコン二部グラフに適用する。
  論文  参考訳（メタデータ） (2022-04-03T15:14:20Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。