論文の概要: HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation

• arxiv url: http://arxiv.org/abs/2505.19020v1
• Date: Sun, 25 May 2025 07:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.840966
• Title: HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
• Title（参考訳）: HGCL: ユーザ項目推薦のための階層型グラフコントラスト学習
• Authors: Jiawei Xue, Zhen Yang, Haitao Lin, Ziji Zhang, Luzhu Wang, Yikun Gu, Yao Xu, Xin Li,
• Abstract要約: Hierarchical Graph Contrastive Learning (HGCL)は、階層的なアイテム構造をユーザイテムレコメンデーションに組み込んだ新しいGCL手法である。 HGCLは階層グラフから学習してユーザとアイテムの表現を微調整し、ユーザとイテムのインタラクションスコアに基づいてレコメンデーションを提供する。
• 参考スコア（独自算出の注目度）: 19.19734980439565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Contrastive Learning (GCL), which fuses graph neural networks with contrastive learning, has evolved as a pivotal tool in user-item recommendations. While promising, existing GCL methods often lack explicit modeling of hierarchical item structures, which represent item similarities across varying resolutions. Such hierarchical item structures are ubiquitous in various items (e.g., online products and local businesses), and reflect their inherent organizational properties that serve as critical signals for enhancing recommendation accuracy. In this paper, we propose Hierarchical Graph Contrastive Learning (HGCL), a novel GCL method that incorporates hierarchical item structures for user-item recommendations. First, HGCL pre-trains a GCL module using cross-layer contrastive learning to obtain user and item representations. Second, HGCL employs a representation compression and clustering method to construct a two-hierarchy user-item bipartite graph. Ultimately, HGCL fine-tunes user and item representations by learning on the hierarchical graph, and then provides recommendations based on user-item interaction scores. Experiments on three widely adopted benchmark datasets ranging from 70K to 382K nodes confirm the superior performance of HGCL over existing baseline models, highlighting the contribution of hierarchical item structures in enhancing GCL methods for recommendation tasks.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、グラフニューラルネットワークとコントラスト学習を融合し、ユーザ-イテムレコメンデーションにおいて重要なツールとして進化してきた。 有望ではあるが、既存のGCLメソッドは、様々な解像度の項目類似性を表す階層的なアイテム構造の明示的なモデリングを欠いていることが多い。 このような階層的なアイテム構造は、さまざまなアイテム(オンライン製品やローカルビジネスなど)に広く普及しており、レコメンデーションの精度を高める重要なシグナルとして機能する固有の組織特性を反映している。 本稿では,階層型グラフコントラスト学習(HGCL)を提案する。 まず、HGCLは、多層コントラスト学習を用いてGCLモジュールを事前訓練し、ユーザおよびアイテム表現を得る。 第二に、HGCLは表現圧縮とクラスタリング法を用いて、2階層のユーザ・イテム二部グラフを構築する。 最終的に、HGCLは階層グラフから学習してユーザとアイテムの表現を微調整し、ユーザとイテムのインタラクションスコアに基づいたレコメンデーションを提供する。 70Kノードから382Kノードまで、広く採用されている3つのベンチマークデータセットの実験は、既存のベースラインモデルよりもHGCLの優れた性能を確認し、リコメンデーションタスクのためのGCLメソッドの拡張における階層的なアイテム構造の役割を強調した。

関連論文リスト

• Str-GCL: Structural Commonsense Driven Graph Contrastive Learning [12.717666156052342]
  グラフコントラスト学習(Str-GCL)における構造コモンセンス・アンベイリング(Structure Commonsense Unveiling)という新しいフレームワークを提案する。 Str-GCLは、一階述語論理規則を利用して構造的コモンセンスを表現し、それらをGCLフレームワークに明示的に統合する。 我々の知る限りでは、構造コモンセンスを直接GCLに組み込む最初の試みである。
  論文  参考訳（メタデータ） (2025-07-09T03:41:48Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• 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)
• Architecture Matters: Uncovering Implicit Mechanisms in Graph Contrastive Learning [34.566003077992384]
  本稿では,グラフコントラスト学習法(GCL)の体系的研究について述べる。 GNNの暗黙的帰納バイアスが対照的な学習にどのように作用するかを明らかにすることによって、理論上はGCLの興味深い性質に関する洞察を提供する。 既存のNNメソッドを直接GCLに移植するのではなく、グラフ学習のユニークなアーキテクチャにもっと注意を払うことを提唱する。
  論文  参考訳（メタデータ） (2023-11-05T15:54:17Z)
• HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
  HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。 我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-16T04:06:52Z)
• Graph Contrastive Learning for Skeleton-based Action Recognition [85.86820157810213]
  骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。 SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。 SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
  論文  参考訳（メタデータ） (2023-01-26T02:09:16Z)
• HCL: Improving Graph Representation with Hierarchical Contrastive Learning [15.418743452614846]
  階層的コントラスト学習(HCL)フレームワークは、階層的な方法でグラフ表現を明示的に学習する。 HCLはノード分類、ノードクラスタリング、グラフ分類を含む12のデータセットで競合性能を達成する。
  論文  参考訳（メタデータ） (2022-10-21T15:07:46Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• FastGCL: Fast Self-Supervised Learning on Graphs via Contrastive Neighborhood Aggregation [26.07819501316758]
  よりコントラスト的なスキームは、グラフニューラルネットワークの特性に合わせて調整されるべきである、と我々は主張する。 重み付けと非集約の近傍情報をそれぞれ正と負のサンプルとして構成することにより、FastGCLはデータの潜在的な意味情報を識別する。 ノード分類とグラフ分類のタスクについて実験を行い、FastGCLは競合する分類性能と重要なトレーニングスピードアップを有することを示した。
  論文  参考訳（メタデータ） (2022-05-02T13:33:43Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。