論文の概要: Improvement Graph Convolution Collaborative Filtering with Weighted addition input

• arxiv url: http://arxiv.org/abs/2503.21468v1
• Date: Thu, 27 Mar 2025 12:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:50:46.943823
• Title: Improvement Graph Convolution Collaborative Filtering with Weighted addition input
• Title（参考訳）: 重み付き加算入力によるグラフ畳み込み協調フィルタの改良
• Authors: Tin T. Tran, V. Snasel,
• Abstract要約: We build a model WiGCN (Weighted input GCN) to describe and experiment on well-known datasets。 結論は、GCMC、NGCF、LightGCNといった最先端技術と比較した後で述べます。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Graph Neural Networks have been extensively applied in the field of machine learning to find features of graphs, and recommendation systems are no exception. The ratings of users on considered items can be represented by graphs which are input for many efficient models to find out the characteristics of the users and the items. From these insights, relevant items are recommended to users. However, user's decisions on the items have varying degrees of effects on different users, and this information should be learned so as not to be lost in the process of information mining. In this publication, we propose to build an additional graph showing the recommended weight of an item to a target user to improve the accuracy of GNN models. Although the users' friendships were not recorded, their correlation was still evident through the commonalities in consumption behavior. We build a model WiGCN (Weighted input GCN) to describe and experiment on well-known datasets. Conclusions will be stated after comparing our results with state-of-the-art such as GCMC, NGCF and LightGCN. The source code is also included at https://github.com/trantin84/WiGCN.
• Abstract（参考訳）: グラフニューラルネットワークは、グラフの特徴を見つけるために機械学習の分野で広く応用されており、レコメンデーションシステムは例外ではない。 検討項目におけるユーザの評価は,多くの効率的なモデルに対して入力されるグラフで表され,ユーザや項目の特徴が分かる。 これらの洞察から、関連する項目をユーザに推奨する。 しかし,各項目に対するユーザの判断は,異なるユーザに対して異なる影響度を持つため,情報マイニングの過程で失われないように,この情報を学習する必要がある。 本稿では,GNNモデルの精度を向上させるために,対象ユーザに対して項目の推奨重みを示すグラフを構築することを提案する。 利用者の友人関係は記録されなかったが, 消費行動の共通点から, その相関関係は明らかであった。 We build a model WiGCN (Weighted input GCN) to describe and experiment on well-known datasets。 結論は、GCMC、NGCF、LightGCNといった最先端技術と比較した後で述べます。 ソースコードはhttps://github.com/trantin84/WiGCNにも掲載されている。

関連論文リスト

• Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
  本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。 KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2024-03-21T13:09:23Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Attention-Based Recommendation On Graphs [9.558392439655012]
  グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著なパフォーマンスを示している。 本研究では,モデルベースレコメンデータシステムとしてGARecを提案する。 提案手法は,既存のモデルベース非グラフニューラルネットワークとグラフニューラルネットワークを異なるMovieLensデータセットで比較した。
  論文  参考訳（メタデータ） (2022-01-04T21:02:02Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• 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)
• 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。