Fugu-MT 論文翻訳(概要): CombiGCN: An effective GCN model for Recommender System

論文の概要: CombiGCN: An effective GCN model for Recommender System

arxiv url: http://arxiv.org/abs/2503.21471v1
Date: Thu, 27 Mar 2025 13:03:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-28 12:50:46.053470
Title: CombiGCN: An effective GCN model for Recommender System
Title（参考訳）: CombiGCN:Recommender Systemのための効果的なGCNモデル
Authors: Loc Tan Nguyen, Tin T. Tran,
Abstract要約: グラフニューラルネットワーク(GNN)は、協調フィルタリング(CF)研究の潜在的ラインを開く。本稿では,ユーザ・イテム相互作用グラフ上にのみアイテムの埋め込みを線形に伝播させるリコメンデーションフレームワークCombiGCNを提案する。また,実世界の3つのデータセット上で,CombiGCNと最先端モデルを比較検討した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Graph Neural Networks (GNNs) have opened up a potential line of research for collaborative filtering (CF). The key power of GNNs is based on injecting collaborative signal into user and item embeddings which will contain information about user-item interactions after that. However, there are still some unsatisfactory points for a CF model that GNNs could have done better. The way in which the collaborative signal are extracted through an implicit feedback matrix that is essentially built on top of the message-passing architecture of GNNs, and it only helps to update the embedding based on the value of the items (or users) embeddings neighboring. By identifying the similarity weight of users through their interaction history, a key concept of CF, we endeavor to build a user-user weighted connection graph based on their similarity weight. In this study, we propose a recommendation framework, CombiGCN, in which item embeddings are only linearly propagated on the user-item interaction graph, while user embeddings are propagated simultaneously on both the user-user weighted connection graph and user-item interaction graph graphs with Light Graph Convolution (LGC) and combined in a simpler method by using the weighted sum of the embeddings for each layer. We also conducted experiments comparing CombiGCN with several state-of-the-art models on three real-world datasets.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、コラボレーティブフィルタリング(CF)の研究の潜在的ラインを開く。 GNNの鍵となる力は、ユーザとアイテムの埋め込みに協調的なシグナルを注入することにある。しかし、GNNが改善したかもしれないCFモデルには、まだ不満足な点がいくつかある。協調的なシグナルを暗黙のフィードバックマトリックスを通じて抽出する方法は、基本的にはGNNのメッセージパッシングアーキテクチャの上に構築され、隣のアイテム(またはユーザ)の埋め込み値に基づいて埋め込みを更新するのに役立つ。 CFの鍵となる概念であるインタラクション履歴を通じて,ユーザの類似度重みを識別することにより,ユーザの類似度重みに基づくユーザとユーザとの重み付き接続グラフの構築に努める。本研究では,ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・ユーザ・インタラクション・グラフに,各レイヤへの埋め込みの重み付け和を併用したCombiGCNというレコメンデーション・フレームワークを提案する。また,実世界の3つのデータセット上で,CombiGCNと最先端モデルを比較検討した。

関連論文リスト

Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文参考訳（メタデータ） (2024-04-16T07:05:16Z)
GNN4FR: A Lossless GNN-based Federated Recommendation Framework [13.672867761388675]
グラフニューラルネットワーク(GNN)はレコメンデーションシステムで広く普及している。本フレームワークは,完全高次構造情報を用いたフルグラフ学習を実現する。さらに、LightGCNを使ってフレームワークの例をインスタンス化し、その等価性を示す。
論文参考訳（メタデータ） (2023-07-25T16:55:17Z)
Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
論文参考訳（メタデータ） (2023-04-06T19:43:37Z)
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)
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)
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)
Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。