論文の概要: Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation
- arxiv url: http://arxiv.org/abs/2502.09050v1
- Date: Thu, 13 Feb 2025 08:05:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:50:13.599067
- Title: Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation
- Title(参考訳): 効果的なグループレコメンデーションのためのマルチビューグラフフィルタリングによるメンバーグループ関係の活用
- Authors: Chae-Hyun Kim, Yoon-Ryung Choi, Jin-Duk Park, Won-Yong Shin,
- Abstract要約: Group-GFは、多視点グラフ(GF)による各グループとの類似性の極めて高速なレコメンデーションのための新しいアプローチである
本稿では,Group-GFがランタイムを大幅に削減し,最先端のレコメンデーション精度を実現することを示す。
- 参考スコア(独自算出の注目度): 7.787211625411271
- License:
- Abstract: Group recommendation aims at providing optimized recommendations tailored to diverse groups, enabling groups to enjoy appropriate items. On the other hand, most existing group recommendation methods are built upon deep neural network (DNN) architectures designed to capture the intricate relationships between member-level and group-level interactions. While these DNN-based approaches have proven their effectiveness, they require complex and expensive training procedures to incorporate group-level interactions in addition to member-level interactions. To overcome such limitations, we introduce Group-GF, a new approach for extremely fast recommendations of items to each group via multi-view graph filtering (GF) that offers a holistic view of complex member-group dynamics, without the need for costly model training. Specifically, in Group-GF, we first construct three item similarity graphs manifesting different viewpoints for GF. Then, we discover a distinct polynomial graph filter for each similarity graph and judiciously aggregate the three graph filters. Extensive experiments demonstrate the effectiveness of Group-GF in terms of significantly reducing runtime and achieving state-of-the-art recommendation accuracy.
- Abstract(参考訳): グループレコメンデーションは、多様なグループに適した最適化されたレコメンデーションを提供することを目的としている。
一方、既存のグループレコメンデーション手法のほとんどは、メンバーレベルの相互作用とグループレベルの相互作用の複雑な関係を捉えるために設計されたディープニューラルネットワーク(DNN)アーキテクチャに基づいている。
これらのDNNベースのアプローチは、その効果を証明しているが、メンバーレベルのインタラクションに加えて、グループレベルのインタラクションを組み込むには、複雑で高価なトレーニング手順が必要である。
このような制約を克服するため,多視点グラフフィルタリング(GF)を通じて各グループに対して極めて高速な推薦を行うグループGFを導入し,複雑なメンバグループダイナミクスの全体像を,コストのかかるモデルトレーニングを必要とせずに提供する。
特に Group-GF では、GF の異なる視点を示す3つの項目類似性グラフを最初に構築する。
次に,類似度グラフごとに異なる多項式グラフフィルタを発見し,これら3つのグラフフィルタを任意に集約する。
大規模な実験は、実行時間を大幅に削減し、最先端のレコメンデーション精度を達成するという観点で、Group-GFの有効性を示す。
関連論文リスト
- 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) - Ranking-based Group Identification via Factorized Attention on Social
Tripartite Graph [68.08590487960475]
グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。
我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。
データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
論文 参考訳(メタデータ) (2022-11-02T01:42:20Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳(メタデータ) (2022-03-01T02:32:25Z) - Self-supervised Graph Learning for Occasional Group Recommendation [28.337475919795008]
時々グループ(コールドスタートグループ)に商品を推薦する問題について検討する。
アイテムとの相互作用が極端に疎いため、これらのグループに対する高品質な埋め込みを学習することは困難である。
本稿では,グループ/ユーザ/イテムの埋め込みを再構築するために,バックボーンGNNモデルを協調訓練する自己教師付きグラフ学習パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-04T08:10:06Z) - Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。
具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。
2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
論文 参考訳(メタデータ) (2021-09-21T13:42:46Z) - Double-Scale Self-Supervised Hypergraph Learning for Group
Recommendation [35.841350982832545]
グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。
本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-09T12:19:49Z) - Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。
本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。
本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-29T09:57:47Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳(メタデータ) (2021-04-16T04:30:06Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z) - GroupIM: A Mutual Information Maximization Framework for Neural Group
Recommendation [24.677145454396822]
本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。
現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。
本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
論文 参考訳(メタデータ) (2020-06-05T23:18:19Z)
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。