論文の概要: Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation

• arxiv url: http://arxiv.org/abs/2505.24172v1
• Date: Fri, 30 May 2025 03:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.750861
• Title: Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
• Title（参考訳）: ロバストレコメンデーションのための不均一グラフ仮設コントラスト学習
• Authors: Lei Sang, Yu Wang, Yiwen Zhang,
• Abstract要約: そこで我々は,MCL(Masked Contrastive Learning)という新しいモデルを導入し,雑音に対するリコメンデーションロバスト性を高める。 MCLは、メタパスを介してグラフを増大させ、特定の隣人に対するノード感度を低下させ、埋め込みロバスト性を高めるためにランダムマスキング戦略を採用している。 3つの実世界のデータセットに対する実証的な評価は、既存のレコメンデーション手法よりも、我々のアプローチが優れていることを証明している。
• 参考スコア（独自算出の注目度）: 8.711556540753774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graph neural networks (HGNNs) have demonstrated their superiority in exploiting auxiliary information for recommendation tasks. However, graphs constructed using meta-paths in HGNNs are usually too dense and contain a large number of noise edges. The propagation mechanism of HGNNs propagates even small amounts of noise in a graph to distant neighboring nodes, thereby affecting numerous node embeddings. To address this limitation, we introduce a novel model, named Masked Contrastive Learning (MCL), to enhance recommendation robustness to noise. MCL employs a random masking strategy to augment the graph via meta-paths, reducing node sensitivity to specific neighbors and bolstering embedding robustness. Furthermore, MCL employs contrastive cross-view on a Heterogeneous Information Network (HIN) from two perspectives: one-hop neighbors and meta-path neighbors. This approach acquires embeddings capturing both local and high-order structures simultaneously for recommendation. Empirical evaluations on three real-world datasets confirm the superiority of our approach over existing recommendation methods.
• Abstract（参考訳）: 不均一グラフニューラルネットワーク(HGNN)は、推薦タスクに補助情報を利用する際の優位性を実証している。 しかし、HGNNのメタパスを用いて構築されたグラフは通常、高密度であり、多くのノイズエッジを含んでいる。 HGNNの伝搬機構は、グラフ内の小さなノイズを遠くのノードに伝播させ、多数のノードの埋め込みに影響を与える。 この制限に対処するため,MCL(Masked Contrastive Learning)と呼ばれる新しいモデルを導入する。 MCLは、メタパスを介してグラフを増大させ、特定の隣人に対するノード感度を低下させ、埋め込みロバスト性を高めるためにランダムマスキング戦略を採用している。 さらに、MCLは、1ホップの隣人とメタパスの隣人という2つの視点から、異種情報ネットワーク(HIN)の対照的なクロスビューを採用している。 このアプローチは、レコメンデーションのために、局所構造と高次構造の両方を同時にキャプチャする埋め込みを取得する。 3つの実世界のデータセットに対する実証的な評価は、既存のレコメンデーション手法よりも、我々のアプローチが優れていることを証明している。

関連論文リスト

• Multi-Granular Attention based Heterogeneous Hypergraph Neural Network [5.580244361093485]
  不均一グラフニューラルネットワーク(HeteGNN)はノード表現を学習する強力な能力を示している。 本稿では,マルチグラニュラーアテンションに基づく表現学習のためのヘテロジニアスハイパーグラフニューラルネットワークであるMGA-HHNを提案する。
  論文  参考訳（メタデータ） (2025-05-07T11:42:00Z)
• 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)
• Structural Imbalance Aware Graph Augmentation Learning [2.793446335600599]
  グラフはしばしば構造的に不均衡であり、いくつかのハブノードだけがより密な局所構造を持ち、より強い影響を持つ。 本稿では,この問題を解決するために,選択的グラフ拡張法(SAug)を提案する。 大規模な実験により、SAugはバックボーンのGNNを大幅に改善し、競合他社よりも優れたパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:13:32Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Spatial Autoregressive Coding for Graph Neural Recommendation [38.66151035948021]
  浅いモデルとディープグラフニューラルネットワーク(GNN)は、サンプリングされたサブグラフやシーケンスの近傍を適切に利用できない。 本稿では、上記の問題を統一的に解くための新しいフレームワークである空間自己回帰符号化(SAC)を提案する。 パブリックレコメンデーションデータセットと実シナリオWebスケールデータセットの両方の実験結果は、最先端の手法と比較してSACの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-19T12:00:01Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Detecting Communities from Heterogeneous Graphs: A Context Path-based Graph Neural Network Model [23.525079144108567]
  コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。 ノード間の高次関係をノードの埋め込みに埋め込む。 最先端のコミュニティ検出手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-05T12:28:00Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。