論文の概要: BicliqueEncoder: An Efficient Method for Link Prediction in Bipartite Networks using Formal Concept Analysis and Transformer Encoder
- arxiv url: http://arxiv.org/abs/2503.07645v1
- Date: Thu, 06 Mar 2025 04:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 19:17:21.091095
- Title: BicliqueEncoder: An Efficient Method for Link Prediction in Bipartite Networks using Formal Concept Analysis and Transformer Encoder
- Title（参考訳）: BicliqueEncoder:形式的概念分析とトランスフォーマーエンコーダを用いたバイパートイトネットワークにおけるリンク予測の効率的な方法
- Authors: Hongyuan Yang, Siqi Peng, Akihiro Yamamoto,
- Abstract要約: 本稿では,テキスト形式概念解析(FCA)とトランスフォーマーエンコーダを用いたバイパートイトネットワークにおけるリンク予測手法を提案する。
バイパーティイトネットワークにおけるリンク予測は、オンライン販売における製品推奨や、医学における化学物質と化学物質の相互作用の予測など、様々な分野における実践的な応用を見出す。
- 参考スコア（独自算出の注目度）: 0.9831489366502302
- License:
- Abstract: We propose a novel and efficient method for link prediction in bipartite networks, using \textit{formal concept analysis} (FCA) and the Transformer encoder. Link prediction in bipartite networks finds practical applications in various domains such as product recommendation in online sales, and prediction of chemical-disease interaction in medical science. Since for link prediction, the topological structure of a network contains valuable information, many approaches focus on extracting structural features and then utilizing them for link prediction. Bi-cliques, as a type of structural feature of bipartite graphs, can be utilized for link prediction. Although several link prediction methods utilizing bi-cliques have been proposed and perform well in rather small datasets, all of them face challenges with scalability when dealing with large datasets since they demand substantial computational resources. This limits the practical utility of these approaches in real-world applications. To overcome the limitation, we introduce a novel approach employing iceberg concept lattices and the Transformer encoder. Our method requires fewer computational resources, making it suitable for large-scale datasets while maintaining high prediction performance. We conduct experiments on five large real-world datasets that exceed the capacity of previous bi-clique-based approaches to demonstrate the efficacy of our method. Additionally, we perform supplementary experiments on five small datasets to compare with the previous bi-clique-based methods for bipartite link prediction and demonstrate that our method is more efficient than the previous ones.
- Abstract（参考訳）: 両部ネットワーク上でのリンク予測を, FCA (textit{formal concept analysis}) と Transformer encoder を用いて効率的に行う方法を提案する。
バイパーティイトネットワークにおけるリンク予測は、オンライン販売における製品推奨や、医学における化学物質と化学物質の相互作用の予測など、様々な分野における実践的な応用を見出す。
リンク予測では,ネットワークのトポロジ的構造は貴重な情報を含んでいるため,多くのアプローチが構造的特徴の抽出に焦点を合わせ,それらをリンク予測に利用している。
双角形は二部グラフの構造的特徴の一種であり、リンク予測に利用することができる。
いくつかのリンク予測手法が提案され、比較的小さなデータセットでうまく機能するが、これらは全て、相当な計算資源を必要とするため、大規模なデータセットを扱う際のスケーラビリティの問題に直面している。
これにより、現実世界のアプリケーションにおけるこれらのアプローチの実用性は制限される。
この制限を克服するために,氷山の概念格子とトランスフォーマーエンコーダを用いた新しい手法を提案する。
提案手法では,予測性能を維持しつつ,大規模データセットに適した計算資源を少なくする。
提案手法の有効性を実証するために,従来の双方向アプローチの能力を超える5つの大規模実世界のデータセットの実験を行った。
さらに、5つの小さなデータセットの補足実験を行い、従来の双方向リンク予測手法と比較し、我々の手法が従来の手法よりも効率的であることを実証した。
関連論文リスト
- BiDense: Binarization for Dense Prediction [62.70804353158387]
BiDenseは、効率よく正確な密度予測タスクのために設計された一般化されたバイナリニューラルネットワーク(BNN)である。
BiDenseは2つの重要なテクニックを取り入れている: 分散適応バイナリー (DAB) とチャネル適応完全精度バイパス (CFB) である。
論文 参考訳（メタデータ） (2024-11-15T16:46:04Z) - Link Prediction in Bipartite Networks [1.7446992240872337]
両部グラフを扱える19種類のリンク予測手法を比較した。
本稿では,新しいリンク予測手法として,グラフ畳み込みネットワーク(GCN)に基づくレコメンデーションシステムを提案する。
近年注目されているGCNベースのパーソナライズドレコメンデーションシステムは,バイパーティイトネットワークにおけるリンク予測に有効であることを示す。
論文 参考訳（メタデータ） (2024-06-10T11:23:30Z) - Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。
設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。
5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文 参考訳（メタデータ） (2024-03-15T12:00:12Z) - BERT4FCA: A Method for Bipartite Link Prediction using Formal Concept
Analysis and BERT [1.104960878651584]
本稿では,二部ネットワークにおけるリンク予測手法であるBERT4FCAについて,形式的概念解析(FCA)とBERTを用いて提案する。
実世界の2部ネットワーク上で実験を行い,本手法が従来のFCA法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-13T06:02:05Z) - Revisiting Link Prediction: A Data Perspective [59.296773787387224]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。
既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。
我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文 参考訳（メタデータ） (2023-10-01T21:09:59Z) - MAP: A Model-agnostic Pretraining Framework for Click-through Rate
Prediction [39.48740397029264]
本稿では,多分野分類データに特徴的破損と回復を適用したMAP(Model-Agnostic Pretraining)フレームワークを提案する。
マスク付き特徴予測(RFD)と代替特徴検出(RFD)の2つの実用的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2023-08-03T12:55:55Z) - Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。
提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文 参考訳（メタデータ） (2023-07-19T04:07:33Z) - Improving Link Prediction in Social Networks Using Local and Global
Features: A Clustering-based Approach [0.0]
本稿では,リンク予測問題に対処するため,第1グループと第2グループを組み合わせた手法を提案する。
提案手法は,まずノードの位置と動的挙動に関連する特徴を同定する。
そして、計算された類似度尺度に基づいて、サブスペースクラスタリングアルゴリズムをグループ社会オブジェクトに適用する。
論文 参考訳（メタデータ） (2023-05-17T14:45:02Z) - Bandit Sampling for Multiplex Networks [8.771092194928674]
多数のレイヤを持つ多重ネットワーク上でのスケーラブルな学習アルゴリズムを提案する。
オンライン学習アルゴリズムは、トレーニング中に関連する情報を持つレイヤのみを集約するように、関連する隣のレイヤをサンプリングする方法を学ぶ。
合成シナリオと実世界のシナリオの両方に関する実験結果を示す。
論文 参考訳（メタデータ） (2022-02-08T03:26:34Z) - Integrating Semantics and Neighborhood Information with Graph-Driven
Generative Models for Document Retrieval [51.823187647843945]
本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。
この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
論文 参考訳（メタデータ） (2021-05-27T11:29:03Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
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。