論文の概要: Hypergraph Diffusion for High-Order Recommender Systems

• arxiv url: http://arxiv.org/abs/2501.16722v1
• Date: Tue, 28 Jan 2025 05:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:42:57.831438
• Title: Hypergraph Diffusion for High-Order Recommender Systems
• Title（参考訳）: 高次リコメンダシステムのためのハイパーグラフ拡散
• Authors: Darnbi Sakong, Thanh Trung Huynh, Jun Jo,
• Abstract要約: 本稿では,ウェーブレット強化ハイパーグラフ拡散フレームワークであるWaveHDNNを紹介する。 WaveHDNNは、さまざまなカテゴリにわたるユーザとイテムのインタラクションをキャプチャするために設計された、ヘテロフィア対応のコラボレーティブと、マルチスケールなグループワイド構造を統合している。 クロスビューのコントラスト学習は、堅牢で一貫した表現を維持するために使用される。
• 参考スコア（独自算出の注目度）: 5.71357784811215
• License:
• Abstract: Recommender systems rely on Collaborative Filtering (CF) to predict user preferences by leveraging patterns in historical user-item interactions. While traditional CF methods primarily focus on learning compact vector embeddings for users and items, graph neural network (GNN)-based approaches have emerged as a powerful alternative, utilizing the structure of user-item interaction graphs to enhance recommendation accuracy. However, existing GNN-based models, such as LightGCN and UltraGCN, often struggle with two major limitations: an inability to fully account for heterophilic interactions, where users engage with diverse item categories, and the over-smoothing problem in multi-layer GNNs, which hinders their ability to model complex, high-order relationships. To address these gaps, we introduce WaveHDNN, an innovative wavelet-enhanced hypergraph diffusion framework. WaveHDNN integrates a Heterophily-aware Collaborative Encoder, designed to capture user-item interactions across diverse categories, with a Multi-scale Group-wise Structure Encoder, which leverages wavelet transforms to effectively model localized graph structures. Additionally, cross-view contrastive learning is employed to maintain robust and consistent representations. Experiments on benchmark datasets validate the efficacy of WaveHDNN, demonstrating its superior ability to capture both heterophilic and localized structural information, leading to improved recommendation performance.
• Abstract（参考訳）: レコメンダシステムは、歴史的なユーザ-イテムインタラクションのパターンを活用することで、ユーザの好みを予測するために、コラボレーティブ・フィルタリング(CF)に依存している。 従来のCF手法は主にユーザとアイテムのためのコンパクトなベクトル埋め込みの学習に重点を置いているが、グラフニューラルネットワーク(GNN)ベースのアプローチが強力な代替手段として登場し、ユーザとイテムの相互作用グラフの構造を利用してレコメンデーションの精度を高めている。 しかし、LightGCNやUltraGCNのような既存のGNNベースのモデルでは、ユーザーが多様な項目のカテゴリに関わり、複雑な高次関係をモデル化する能力を阻害する多層GNNの過度な問題など、不均一な相互作用を完全に考慮できないという2つの大きな制限に悩まされることが多い。 これらのギャップに対処するために、WaveHDNNという革新的なウェーブレット強化ハイパーグラフ拡散フレームワークを導入する。 WaveHDNNは、さまざまなカテゴリにわたるユーザとイテムのインタラクションをキャプチャするために設計された、ヘテロフィア対応のコラボレーティブエンコーダと、ウェーブレット変換を活用してローカライズドグラフ構造を効果的にモデル化するマルチスケールグループワイド構造エンコーダを統合している。 さらに、堅牢で一貫した表現を維持するために、クロスビューのコントラスト学習が使用される。 ベンチマークデータセットの実験では、WaveHDNNの有効性が検証され、異種および局所的な構造情報をキャプチャする優れた能力が証明され、推奨性能が向上した。

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)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• 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)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• 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)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning [65.08818785032719]
  グラフネットワーク(GNN)は、構造認識特徴の抽出と伝播によってグラフデータの処理に成功している。 近年,地域と高階の双方からなる拡張された隣人を直接扱えるように,近隣住民に焦点を絞った局所的伝播計画から拡張的伝播計画へと発展してきた。 優れた性能にもかかわらず、既存のアプローチは、局所的および高次隣人の影響を適応的に調整できる効率的で学習可能な拡張伝搬スキームを構築するのにはまだ不十分である。
  論文  参考訳（メタデータ） (2021-12-02T10:35:33Z)
• 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)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。