論文の概要: Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation

• arxiv url: http://arxiv.org/abs/2505.08157v1
• Date: Tue, 13 May 2025 01:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.385894
• Title: Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation
• Title（参考訳）: 知識認識推薦のためのモデル強化による双曲的コントラスト学習
• Authors: Shengyin Sun, Chen Ma,
• Abstract要約: メタボリック・コントラスト学習とモデル拡張を併用した知識認識型推薦手法を提案する。 固有階層グラフ構造を捉えるために,我々はまず,新しいローレンツ的知識集約機構を設計する。 次に,ハイパーボリックなコントラスト学習を支援する3つのモデルレベル拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 3.7650153431012088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Benefiting from the effectiveness of graph neural networks (GNNs) and contrastive learning, GNN-based contrastive learning has become mainstream for knowledge-aware recommendation. However, most existing contrastive learning-based methods have difficulties in effectively capturing the underlying hierarchical structure within user-item bipartite graphs and knowledge graphs. Moreover, they commonly generate positive samples for contrastive learning by perturbing the graph structure, which may lead to a shift in user preference learning. To overcome these limitations, we propose hyperbolic contrastive learning with model-augmentation for knowledge-aware recommendation. To capture the intrinsic hierarchical graph structures, we first design a novel Lorentzian knowledge aggregation mechanism, which enables more effective representations of users and items. Then, we propose three model-level augmentation techniques to assist Hyperbolic contrastive learning. Different from the classical structure-level augmentation (e.g., edge dropping), the proposed model-augmentations can avoid preference shifts between the augmented positive pair. Finally, we conduct extensive experiments to demonstrate the superiority (maximum improvement of $11.03\%$) of proposed methods over existing baselines.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)とコントラスト学習の有効性から、GNNベースのコントラスト学習は、知識認識の推奨において主流となっている。 しかし,既存のコントラスト学習に基づく手法では,ユーザ項目の2部グラフや知識グラフの階層構造を効果的に把握することが困難である。 さらに, グラフ構造を摂動させることにより, 比較学習のための正のサンプルを生成することで, ユーザの好み学習のシフトにつながる可能性がある。 これらの制約を克服するために,モデル拡張によるメタボリックコントラスト学習を提案する。 固有階層グラフ構造を捉えるために,我々はまず,ユーザや項目のより効率的な表現を可能にする,新しいローレンツ的知識集約機構を設計する。 次に,ハイパーボリックなコントラスト学習を支援する3つのモデルレベル拡張手法を提案する。 古典的な構造レベルの拡張(例えば、エッジドロップ)とは異なり、モデル拡張は、強化された正のペア間の選好シフトを避けることができる。 最後に,提案手法の既存ベースラインに対する優位性(最大11.03\%$)を示すため,広範な実験を行った。

関連論文リスト

• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• TwinCL: A Twin Graph Contrastive Learning Model for Collaborative Filtering [20.26347686022996]
  本研究では,従来の拡張手法の冗長性を実証し,ランダム拡張の代わりにツインエンコーダを導入する。 提案したTwin Graph Contrastive Learningモデル -- TwinCL -- は、ユーザとアイテムの埋め込みとツインエンコーダからの表現の正のペアを調整する。 理論的解析と実験結果から,提案モデルが推薦精度の向上と学習効率の向上に寄与することが示された。
  論文  参考訳（メタデータ） (2024-09-27T22:31:08Z)
• Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural Network [59.860534520941485]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、異種情報ネットワーク(HIN)を扱う能力に優れていた。 近年,自己指導型学習は最もエキサイティングな学習パラダイムの1つとなり,ラベルがない場合に大きな可能性を示す。 本稿では,自己教師型HGNNの問題点を考察し,HGNNのための新しいコントラスト学習機構であるHeCoを提案する。
  論文  参考訳（メタデータ） (2023-04-24T16:17:21Z)
• LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
  グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。 本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:16:21Z)
• Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation [56.10351068286499]
  グラフコントラスト学習のための学習可能なデータ拡張法(LDA-GCL)を提案する。 提案手法は,InfoMin と InfoMax の原則に従うデータ強化学習とグラフコントラスト学習を含む。 本手法は,データ拡張とユーザやアイテムの効果的な表現を学習するために,対向損失関数を最適化する。
  論文  参考訳（メタデータ） (2023-02-05T06:55:51Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Bi-CLKT: Bi-Graph Contrastive Learning based Knowledge Tracing [39.92424205497689]
  知識追跡の目的は、学生が関連する演習の歴史的学習に基づいて、いかにして概念を習得したかを推定することである。 近年のディープラーニングの台頭に伴い、Deep Knowledge Tracingでは、リカレントニューラルネットワーク(RNN)を使用して、このタスクをある程度の成功に導いた。 他の研究では、グラフニューラルネットワーク(GNN)を導入して、大幅な改善を実現するためにタスクを再定義しようと試みている。 本稿では,これらの制約に対処するため,Bi-Graph Contrastive Learning based Knowledge Tracing (Bi-CLKT)を提案する。
  論文  参考訳（メタデータ） (2022-01-22T11:07:21Z)

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。