論文の概要: Graph-based Diffusion Model for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2504.05029v1
• Date: Mon, 07 Apr 2025 12:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:13.409240
• Title: Graph-based Diffusion Model for Collaborative Filtering
• Title（参考訳）: グラフに基づく協調フィルタリングのための拡散モデル
• Authors: Xuan Zhang, Xiang Deng, Hongxing Yuan, Chunyu Wei, Yushun Fan,
• Abstract要約: 協調フィルタリングのためのグラフベース拡散モデル(GDMCF)を提案する。 GDMCFは最先端の手法を一貫して上回り、高次協調信号のキャプチャの有効性を強調している。
• 参考スコア（独自算出の注目度）: 10.654721251152187
• License:
• Abstract: Recently, diffusion-based recommendation methods have achieved impressive results. However, existing approaches predominantly treat each user's historical interactions as independent training samples, overlooking the potential of higher-order collaborative signals between users and items. Such signals, which encapsulate richer and more nuanced relationships, can be naturally captured using graph-based data structures. To address this limitation, we extend diffusion-based recommendation methods to the graph domain by directly modeling user-item bipartite graphs with diffusion models. This enables better modeling of the higher-order connectivity inherent in complex interaction dynamics. However, this extension introduces two primary challenges: (1) Noise Heterogeneity, where interactions are influenced by various forms of continuous and discrete noise, and (2) Relation Explosion, referring to the high computational costs of processing large-scale graphs. To tackle these challenges, we propose a Graph-based Diffusion Model for Collaborative Filtering (GDMCF). To address noise heterogeneity, we introduce a multi-level noise corruption mechanism that integrates both continuous and discrete noise, effectively simulating real-world interaction complexities. To mitigate relation explosion, we design a user-active guided diffusion process that selectively focuses on the most meaningful edges and active users, reducing inference costs while preserving the graph's topological integrity. Extensive experiments on three benchmark datasets demonstrate that GDMCF consistently outperforms state-of-the-art methods, highlighting its effectiveness in capturing higher-order collaborative signals and improving recommendation performance.
• Abstract（参考訳）: 近年,拡散型レコメンデーション法は目覚ましい成果を上げている。 しかし、既存のアプローチは、ユーザとアイテム間の高次の協調信号の可能性を見越して、各ユーザの過去のインタラクションを独立したトレーニングサンプルとして扱う。 このような信号は、よりリッチでニュアンスな関係をカプセル化しており、グラフベースのデータ構造を用いて自然にキャプチャすることができる。 この制限に対処するため、拡散モデルを用いて、ユーザイテム二部グラフを直接モデル化することにより、拡散に基づくレコメンデーション手法をグラフ領域に拡張する。 これにより、複雑な相互作用のダイナミクスに固有の高階接続のより良いモデリングが可能になる。 しかし,この拡張は,(1)連続的および離散的ノイズの様々な形態に相互作用が影響される雑音の不均一性,(2)大規模グラフ処理の計算コストが高い関係爆発の2つの主要な課題を提起する。 これらの課題に対処するために、グラフに基づく協調フィルタリングのための拡散モデル(GDMCF)を提案する。 ノイズの不均一性に対処するために、連続ノイズと離散ノイズの両方を統合するマルチレベルノイズ除去機構を導入し、実世界の相互作用の複雑さを効果的にシミュレートする。 関係爆発を緩和するため,我々は,グラフのトポロジ的整合性を維持しつつ,推論コストを低減し,最も有意義なエッジとアクティブなユーザを選択的に重視する,ユーザアクティブな誘導拡散プロセスを設計した。 3つのベンチマークデータセットに対する大規模な実験により、GDMCFは最先端の手法を一貫して上回り、高次の協調シグナルを捕捉し、レコメンデーションパフォーマンスを向上させる効果を強調している。

関連論文リスト

• DiffGraph: Heterogeneous Graph Diffusion Model [16.65576765238224]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データモデリングに革命をもたらしたが、従来のGNNは、現実のシナリオで一般的な複雑な異種構造に苦戦している。 異種グラフ拡散モデル(DiffGraph)は,革新的なクロスビュー・デノベーション・ストラテジーを導入した先駆的なフレームワークである。 中心となるDiffGraphは、高度な遅延不均一グラフ拡散機構を備え、優れたノイズ管理のための新しい前方および後方拡散プロセスを実装している。
  論文  参考訳（メタデータ） (2025-01-04T15:30:48Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• Graph Signal Diffusion Model for Collaborative Filtering [22.727100820178414]
  協調フィルタリングはレコメンデータシステムにおいて重要な手法である。 拡散モデルに関する既存の研究は、暗黙のフィードバックをモデル化するための効果的な解決策を欠いている。 協調フィルタリングのためのグラフ信号拡散モデル(GiffCF)を提案する。
  論文  参考訳（メタデータ） (2023-11-15T07:25:14Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)
• 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。