論文の概要: Lightweight yet Efficient: An External Attentive Graph Convolutional Network with Positional Prompts for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2502.15331v1
- Date: Fri, 21 Feb 2025 09:34:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-24 16:11:27.008836
- Title: Lightweight yet Efficient: An External Attentive Graph Convolutional Network with Positional Prompts for Sequential Recommendation
- Title（参考訳）: 軽量で効率的:逐次勧告のための位置プロンプト付き外部注意グラフ畳み込みネットワーク
- Authors: Jinyu Zhang, Chao Li, Zhongying Zhao,
- Abstract要約: 本稿では,逐次的推薦,すなわちEA-GPSのための位置推定プロンプトを備えた外部注意グラフ畳み込みネットワークを提案する。
提案したEA-GPSは最先端の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 8.49353541052153
- License:
- Abstract: Graph-based Sequential Recommender systems (GSRs) have gained significant research attention due to their ability to simultaneously handle user-item interactions and sequential relationships between items. Current GSRs often utilize composite or in-depth structures for graph encoding (e.g., the Graph Transformer). Nevertheless, they have high computational complexity, hindering the deployment on resource-constrained edge devices. Moreover, the relative position encoding in Graph Transformer has difficulty in considering the complicated positional dependencies within sequence. To this end, we propose an External Attentive Graph convolutional network with Positional prompts for Sequential recommendation, namely EA-GPS. Specifically, we first introduce an external attentive graph convolutional network that linearly measures the global associations among nodes via two external memory units. Then, we present a positional prompt-based decoder that explicitly treats the absolute item positions as external prompts. By introducing length-adaptive sequential masking and a soft attention network, such a decoder facilitates the model to capture the long-term positional dependencies and contextual relationships within sequences. Extensive experimental results on five real-world datasets demonstrate that the proposed EA-GPS outperforms the state-of-the-art methods. Remarkably, it achieves the superior performance while maintaining a smaller parameter size and lower training overhead. The implementation of this work is publicly available at https://github.com/ZZY-GraphMiningLab/EA-GPS.
- Abstract（参考訳）: グラフベースのSequential Recommender System (GSR) は、ユーザ-イテムインタラクションとアイテム間のシーケンシャルな関係を同時に扱う能力によって、研究の注目を集めている。
現在のGSRはグラフ符号化(グラフ変換器など)に合成構造や奥行き構造を用いることが多い。
それでも、計算の複雑さが高く、リソース制約のあるエッジデバイスへのデプロイを妨げている。
さらに、グラフ変換器における相対的な位置符号化は、シーケンス内の複雑な位置依存を考慮するのに困難である。
そこで本研究では,逐次的推薦,すなわちEA-GPSのための位置対応プロンプトを備えた外部注意グラフ畳み込みネットワークを提案する。
具体的には、まず2つの外部メモリユニットを介して、ノード間のグローバルな関連を線形に測定する外部注意グラフ畳み込みネットワークを導入する。
次に、絶対アイテム位置を外部プロンプトとして明示的に扱う位置プロンプトベースのデコーダを提案する。
長さ適応型シーケンシャルマスキングとソフトアテンションネットワークを導入することで、このようなデコーダは、シーケンス内の長期的な位置依存性とコンテキスト関係をキャプチャするモデルを容易にする。
5つの実世界のデータセットに対する大規模な実験結果から、提案したEA-GPSは最先端の手法よりも優れていることが示された。
注目すべきは、パラメータサイズを小さくし、トレーニングのオーバーヘッドを低く保ちながら、優れたパフォーマンスを実現することだ。
この作業の実装はhttps://github.com/ZZY-GraphMiningLab/EA-GPSで公開されている。
関連論文リスト
- Position-aware Graph Transformer for Recommendation [13.448664870389722]
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。
論文 参考訳（メタデータ） (2024-12-25T01:22:35Z) - LASE: Learned Adjacency Spectral Embeddings [7.612218105739107]
グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。
LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。
LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
論文 参考訳（メタデータ） (2024-12-23T17:35:19Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - 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) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳（メタデータ） (2021-07-22T03:10:51Z) - 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) - 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) - Pointer Graph Networks [48.44209547013781]
グラフニューラルネットワーク(GNN)は通常、前もって知られていると仮定される静的グラフに適用される。
Pointer Graph Networks (PGNs) モデル一般化能力を改善するために、追加の推論エッジを備えた拡張セットまたはグラフ。
PGNは各ノードが別のノードを動的に指し、メッセージがこれらのポインタを渡ることを可能にする。
論文 参考訳（メタデータ） (2020-06-11T12:52:31Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。
我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。
我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
論文 参考訳（メタデータ） (2020-01-30T15:32:08Z)
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。