論文の概要: Rolling Forward: Enhancing LightGCN with Causal Graph Convolution for Credit Bond Recommendation

• arxiv url: http://arxiv.org/abs/2503.14213v1
• Date: Tue, 18 Mar 2025 12:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:16:36.872090
• Title: Rolling Forward: Enhancing LightGCN with Causal Graph Convolution for Credit Bond Recommendation
• Title（参考訳）: ローリングフォワード:クレジット・ボンド・リコメンデーションのためのCausal Graph ConvolutionによるLightGCNの強化
• Authors: Ashraf Ghiye, Baptiste Barreau, Laurent Carlier, Michalis Vazirgiannis,
• Abstract要約: 光グラフ畳み込みネットワーク(LightGCN: Light Graph Convolutional Network)の新たな拡張を導入し、動的興味を捉えた時間ノードの埋め込みを学習する。 私たちのアプローチでは、前方のモデルアーキテクチャを維持するために因果的畳み込みを採用しています。 この結果から,時間依存アプリケーションにおけるグラフベースのレコメンデータシステムの設計に関する新たな知見が得られた。
• 参考スコア（独自算出の注目度）: 16.015835475954773
• License:
• Abstract: Graph Neural Networks have significantly advanced research in recommender systems over the past few years. These methods typically capture global interests using aggregated past interactions and rely on static embeddings of users and items over extended periods of time. While effective in some domains, these methods fall short in many real-world scenarios, especially in finance, where user interests and item popularity evolve rapidly over time. To address these challenges, we introduce a novel extension to Light Graph Convolutional Network (LightGCN) designed to learn temporal node embeddings that capture dynamic interests. Our approach employs causal convolution to maintain a forward-looking model architecture. By preserving the chronological order of user-item interactions and introducing a dynamic update mechanism for embeddings through a sliding window, the proposed model generates well-timed and contextually relevant recommendations. Extensive experiments on a real-world dataset from BNP Paribas demonstrate that our approach significantly enhances the performance of LightGCN while maintaining the simplicity and efficiency of its architecture. Our findings provide new insights into designing graph-based recommender systems in time-sensitive applications, particularly for financial product recommendations.
• Abstract（参考訳）: グラフニューラルネットワークは、過去数年間、レコメンデーションシステムにおいて大幅に進歩している。 これらの手法は通常、過去のインタラクションを集約してグローバルな関心を捉え、長期間にわたってユーザやアイテムの静的な埋め込みに依存している。 一部の領域では有効であるが、これらの手法は多くの現実のシナリオ、特にユーザーの興味やアイテムの人気が時間とともに急速に進化する金融において不足している。 これらの課題に対処するために、動的興味を捉えた時間ノード埋め込みを学習するために設計されたLight Graph Convolutional Network(LightGCN)の新たな拡張を導入する。 私たちのアプローチでは、前方のモデルアーキテクチャを維持するために因果的畳み込みを採用しています。 ユーザとテムのインタラクションの時系列的な順序を保ち、スライディングウィンドウを通じて埋め込みを動的に更新するメカニズムを導入することにより、提案モデルは、よく時間と文脈に関連のあるレコメンデーションを生成する。 BNP Paribasによる実世界のデータセットに対する大規模な実験により、アーキテクチャの単純さと効率性を維持しつつ、LightGCNの性能を大幅に向上することが示された。 我々の研究は、特に金融商品レコメンデーションのために、時間に敏感なアプリケーションにおけるグラフベースのレコメンデータシステムの設計に関する新たな洞察を提供する。

関連論文リスト

• Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
  大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。 最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。 GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
  論文  参考訳（メタデータ） (2025-02-12T12:13:51Z)
• 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)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• GraphPro: Graph Pre-training and Prompt Learning for Recommendation [18.962982290136935]
  GraphProはパラメータ効率と動的グラフ事前トレーニングと即時学習を組み合わせたフレームワークである。 本フレームワークは,時間的プロンプト機構とグラフ構造的プロンプト学習機構をシームレスに統合することにより,ユーザの好みを進化させる課題に対処する。
  論文  参考訳（メタデータ） (2023-11-28T12:00:06Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)
• Temporal Collaborative Filtering with Graph Convolutional Neural Networks [21.75176876341124]
  時間的協調フィルタリング(TCF)手法は、推奨システムの背後にある静的でない側面をモデル化することを目的としている。 最近のグラフニューラルネットワーク(GNNベース)アプローチでは、正確なレコメンデーションを提供することでパフォーマンスが向上している。 本稿では,GNNを用いてユーザとアイテムの表現を学習し,RNNを用いて時間的ダイナミクスをモデル化する新しいTCF手法を提案する。
  論文  参考訳（メタデータ） (2020-10-13T14:38:40Z)

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。