論文の概要: Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2504.07102v1
• Date: Tue, 11 Mar 2025 04:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 07:51:53.980424
• Title: Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation
• Title（参考訳）: 行動重要度を考慮したクロスドメイン勧告のためのグラフニューラルネットワーク探索
• Authors: Chendi Ge, Xin Wang, Ziwei Zhang, Yijian Qin, Hong Chen, Haiyang Wu, Yang Zhang, Yuekui Yang, Wenwu Zhu,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、レコメンデーションシステムにおけるデータの分散とコールドスタートの問題を軽減する。 グラフニューラルネットワーク(GNN)を用いた最近のCDRアプローチは、複雑なユーザとテムのインタラクションをキャプチャする。 BiGNASは、GNNアーキテクチャとCDRのデータ重要度を共同で最適化するフレームワークである。
• 参考スコア（独自算出の注目度）: 49.03831702224862
• License:
• Abstract: Cross-domain recommendation (CDR) mitigates data sparsity and cold-start issues in recommendation systems. While recent CDR approaches using graph neural networks (GNNs) capture complex user-item interactions, they rely on manually designed architectures that are often suboptimal and labor-intensive. Additionally, extracting valuable behavioral information from source domains to improve target domain recommendations remains challenging. To address these challenges, we propose Behavior importance-aware Graph Neural Architecture Search (BiGNAS), a framework that jointly optimizes GNN architecture and data importance for CDR. BiGNAS introduces two key components: a Cross-Domain Customized Supernetwork and a Graph-Based Behavior Importance Perceptron. The supernetwork, as a one-shot, retrain-free module, automatically searches the optimal GNN architecture for each domain without the need for retraining. The perceptron uses auxiliary learning to dynamically assess the importance of source domain behaviors, thereby improving target domain recommendations. Extensive experiments on benchmark CDR datasets and a large-scale industry advertising dataset demonstrate that BiGNAS consistently outperforms state-of-the-art baselines. To the best of our knowledge, this is the first work to jointly optimize GNN architecture and behavior data importance for cross-domain recommendation.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、レコメンデーションシステムにおけるデータの分散とコールドスタートの問題を軽減する。 グラフニューラルネットワーク(GNN)を用いた最近のCDRアプローチは、複雑なユーザとイテムのインタラクションをキャプチャするが、彼らは手動で設計したアーキテクチャに依存しており、しばしば最適で労働集約的である。 さらに、ソースドメインから貴重な行動情報を抽出して、ターゲットドメインのレコメンデーションを改善することも困難である。 これらの課題に対処するために、GNNアーキテクチャとCDRのためのデータ重要度を協調的に最適化するフレームワークBiGNAS(Behavior importance-aware Graph Neural Architecture Search)を提案する。 BiGNASはCross-Domain Customized SupernetworkとGraph-Based Behavior Importance Perceptronという2つの重要なコンポーネントを導入している。 スーパーネットワークは、ワンショットでリトレインフリーなモジュールとして、各ドメインの最適GNNアーキテクチャを、再トレーニングを必要とせずに自動的に検索する。 パーセプトロンは補助学習を使用して、ソースドメインの振る舞いの重要性を動的に評価し、ターゲットドメインの推奨を改善する。 ベンチマークCDRデータセットと大規模産業広告データセットに関する大規模な実験は、BiGNASが一貫して最先端のベースラインを上回っていることを示している。 我々の知る限りでは、クロスドメインレコメンデーションのためにGNNアーキテクチャと行動データの重要性を共同で最適化する最初の試みである。

関連論文リスト

• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  本稿では,リレーショナルデータベースの特徴を捉えた新しいGNNフレームワークであるRelGNNを紹介する。 我々のアプローチの核となるのは、高次三部構造を形成するノードの列である原子経路の導入である。 RelGNNは、最先端の精度を最大25%改善して一貫して達成している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Domain Adaptive Unfolded Graph Neural Networks [6.675805308519987]
  グラフニューラルネットワーク(GNN)は多くのグラフ機械学習タスクで大きく進歩している。 本稿では,アーキテクチャの強化によるグラフ領域適応(GDA)の促進について考察する。 低レベル目標値の低減が保証されるカスケード伝搬(CP)と呼ばれる,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T09:05:36Z)
• Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
  CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。 本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。 実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
  論文  参考訳（メタデータ） (2024-07-01T02:27:54Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Towards Lightweight Cross-domain Sequential Recommendation via External Attention-enhanced Graph Convolution Network [7.1102362215550725]
  クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。 上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。 フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
  論文  参考訳（メタデータ） (2023-02-07T03:06:29Z)
• DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation [15.366783212837515]
  Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。 この問題を解決するため、我々はクロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。 本稿では,CDSR問題のための新しいフレームワークであるDDGHMを提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:53:06Z)
• Pre-training Graph Neural Network for Cross Domain Recommendation [58.057687253631826]
  推薦システムは、ユーザ/イテムの埋め込みを学習する中心となるアイテムに対するユーザの潜在的関心を予測する。 グラフ表現学習から事前学習を行う現代美術に着想を得て,クロスドメインレコメンデーションのための事前学習および微調整図を提案する。 我々は,グラフエンコーダの自己教師型事前学習を採用するPCRec (Pre-training Graph Neural Network for Cross-Domain Recommendation) を考案した。
  論文  参考訳（メタデータ） (2021-11-16T07:34:42Z)
• Edge-featured Graph Neural Architecture Search [131.4361207769865]
  最適GNNアーキテクチャを見つけるために,エッジ機能付きグラフニューラルアーキテクチャ探索を提案する。 具体的には、高次表現を学習するためにリッチなエンティティとエッジの更新操作を設計する。 EGNASは、現在最先端の人間設計および検索されたGNNよりも高い性能で、より優れたGNNを検索できることを示す。
  論文  参考訳（メタデータ） (2021-09-03T07:53:18Z)
• A Deep Framework for Cross-Domain and Cross-System Recommendations [18.97641276417075]
  CDR(Cross-Domain Recommendation)とCSR(Cross-System Recommendation)は、レコメンダシステムにおけるデータ空間の問題に対処する、有望なソリューションである。 本稿では,行列因子化(MF)モデルと完全接続型ディープニューラルネットワーク(DNN)に基づく,DCDCSRと呼ばれるクロスドメインおよびクロスシステムレコメンデーションのためのディープフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-14T06:11:17Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。