Fugu-MT 論文翻訳(概要): ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation)

論文の概要: ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation)

arxiv url: http://arxiv.org/abs/2503.16661v1
Date: Thu, 20 Mar 2025 19:17:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-24 14:56:08.216780
Title: ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation)
Title（参考訳）: ContextGNNがElliotへ:静的リンク予測(パーソナライズされたアイテムレコメンデーション)のための関係深層学習のベンチマークを目指す
Authors: Alejandro Ariza-Casabona, Nikos Kanakaris, Daniele Malitesta,
Abstract要約: 3つの標準レコメンデーションデータセットと、6つの最先端のGNNベースのレコメンデーションシステムに対して実験を行う。 Amazon Bookの従来の静的リンク予測タスクに対する予備的なテストは、ContextGNNがまだ改善の余地があることを実証した。
参考スコア（独自算出の注目度）: 47.31312886129455
License:
Abstract: Relational deep learning (RDL) settles among the most exciting advances in machine learning for relational databases, leveraging the representational power of message passing graph neural networks (GNNs) to derive useful knowledge and run predicting tasks on tables connected through primary-to-foreign key links. The RDL paradigm has been successfully applied to recommendation lately, through its most recent representative deep learning architecture namely, ContextGNN. While acknowledging ContextGNN's improved performance on real-world recommendation datasets and tasks, preliminary tests for the more traditional static link prediction task (aka personalized item recommendation) on the popular Amazon Book dataset have demonstrated how ContextGNN has still room for improvement compared to other state-of-the-art GNN-based recommender systems. To this end, with this paper, we integrate ContextGNN within Elliot, a popular framework for reproducibility and benchmarking analyses, counting around 50 state-of-the-art recommendation models from the literature to date. On such basis, we run preliminary experiments on three standard recommendation datasets and against six state-of-the-art GNN-based recommender systems, confirming similar trends to those observed by the authors in their original paper. The code is publicly available on GitHub: https://github.com/danielemalitesta/Rel-DeepLearning-RecSys.
Abstract（参考訳）: リレーショナルディープラーニング(RDL)は、リレーショナルデータベースにおける機械学習の最もエキサイティングな進歩のひとつであり、メッセージパッシンググラフニューラルネットワーク(GNN)の表現力を活用して、有用な知識を導き、一次から外部へのキーリンクを介して接続されたテーブル上で予測タスクを実行する。 RDLパラダイムは最近、その最新の代表的ディープラーニングアーキテクチャであるContextGNNを通じて、推奨にうまく適用されている。 ContextGNNの現実世界のレコメンデーションデータセットとタスクのパフォーマンス向上を認めた一方で、一般的なAmazon Bookデータセットの従来の静的リンク予測タスク(別名パーソナライズされたアイテムレコメンデーション)の予備テストでは、ContextGNNが他の最先端のGNNベースのレコメンデーションシステムと比べて改善の余地があることを示した。そこで本論文では,再現性とベンチマーク解析のための一般的なフレームワークであるElliotにContextGNNを統合する。そこで我々は,3つの標準レコメンデーションデータセットと6つの最先端のGNNベースのレコメンデーションシステムに対する予備実験を行い,著者らによる原論文における同様の傾向を確認した。コードはGitHubで公開されている。 https://github.com/danielemalitesta/Rel-DeepLearning-RecSys。

関連論文リスト

PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
論文参考訳（メタデータ） (2024-10-02T17:57:38Z)
A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph [14.12873271435375]
グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションにおいて大きな成功を収めている。本稿では,GNNをベースとしたレコメンデーションに対する新たな評価視点を提案し,グラフトポロジがレコメンデーション性能に与える影響について検討する。
論文参考訳（メタデータ） (2024-08-21T16:34:53Z)
RelBench: A Benchmark for Deep Learning on Relational Databases [78.52438155603781]
本稿では,グラフニューラルネットワークを用いたデータベース上でタスクを解くための公開ベンチマークであるRelBenchを紹介する。私たちはRelBenchを使って、ディープラーニングインフラストラクチャに関する初の総合的な研究を行っています。 RDLは、人間の作業量を1桁以上削減しながら、より良く学習する。
論文参考訳（メタデータ） (2024-07-29T14:46:13Z)
Graph Neural Re-Ranking via Corpus Graph [12.309841763251406]
Graph Neural Re-Ranking(GNRR)は、グラフニューラルネットワーク(GNN)に基づくパイプラインで、推論中に各クエリがドキュメントの分散を考慮できるようにする。我々は、GNNが文書間の相互作用を効果的に捉え、人気のあるランキング指標の性能を向上させることを実証した。
論文参考訳（メタデータ） (2024-06-17T16:38:19Z)
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)
Revisiting Neighborhood-based Link Prediction for Collaborative Filtering [3.7403495150710384]
協調フィルタリングはレコメンデーションシステムにおいて最も成功し基礎的な手法の1つである。両部グラフの新しいリンク(接続性)スコアを提案し、複数の標準リンク予測手法を一般化する。提案手法は,既存のGNNベースのCFアプローチを,広く使用されている4つのベンチマークで大幅に上回っている。
論文参考訳（メタデータ） (2022-03-29T17:48:05Z)
Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文参考訳（メタデータ） (2021-02-14T03:21:36Z)
S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文参考訳（メタデータ） (2020-08-18T11:44:10Z)
Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。 GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文参考訳（メタデータ） (2020-03-02T15:58:46Z)

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。