論文の概要: Rule-Assisted Attribute Embedding

• arxiv url: http://arxiv.org/abs/2506.08314v1
• Date: Tue, 10 Jun 2025 00:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.961432
• Title: Rule-Assisted Attribute Embedding
• Title（参考訳）: ルール支援属性埋め込み
• Authors: Sibo Zhao, Michael Bewong, Selasi Kwashie, Junwei Hu, Zaiwen Feng,
• Abstract要約: RAE(Rule-Assisted Approach for Attribute Embedding)は,属性の埋め込みを導くためのセマンティックルールをマイニングすることでレコメンデーションを改善する手法である。 RAEはルールベースのランダムウォークを実行し、GCNに統合されたリッチな属性表現を生成する。
• 参考スコア（独自算出の注目度）: 0.5658970628961091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems often overlook the rich attribute information embedded in property graphs, limiting their effectiveness. Existing graph convolutional network (GCN) models either ignore attributes or rely on simplistic <user, item, attribute> triples, failing to capture deeper semantic structures. We propose RAE (Rule- Assisted Approach for Attribute Embedding), a novel method that improves recommendations by mining semantic rules from property graphs to guide attribute embedding. RAE performs rule-based random walks to generate enriched attribute representations, which are integrated into GCNs. Experiments on real-world datasets (BlogCatalog, Flickr) show that RAE outperforms state-of-the-art baselines by 10.6% on average in Recall@20 and NDCG@20. RAE also demonstrates greater robustness to sparse data and missing attributes, highlighting the value of leveraging structured attribute information in recommendation tasks.
• Abstract（参考訳）: 勧告システムは、しばしばプロパティグラフに埋め込まれた豊富な属性情報を見落とし、その有効性を制限する。 既存のグラフ畳み込みネットワーク(GCN)モデルは属性を無視したり、単純化された<user, item, attribute>トリプルに依存し、より深いセマンティック構造をキャプチャできない。 RAE(Rule-Assisted Approach for Attribute Embedding)はプロパティグラフからセマンティックルールをマイニングして属性埋め込みをガイドする手法である。 RAEはルールベースのランダムウォークを実行し、GCNに統合されたリッチな属性表現を生成する。 実世界のデータセット(BlogCatalog, Flickr)の実験によると、RAEはRecall@20とNDCG@20で、最先端のベースラインを平均10.6%上回っている。 RAEはまた、スパースデータと欠落属性に対するロバスト性を示し、レコメンデーションタスクで構造化属性情報を活用する価値を強調している。

関連論文リスト

• Incorporating Attributes and Multi-Scale Structures for Heterogeneous Graph Contrastive Learning [8.889313669713918]
  異種グラフのための新しいコントラスト学習フレームワーク(ASHGCL)を提案する。 ASHGCLには3つの異なるビューがあり、それぞれがノード属性、高階構造情報、低階構造情報に焦点を当てている。 本稿では,属性情報と属性情報を組み合わせた属性強化型正のサンプル選択手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T05:15:21Z)
• Topology-Driven Attribute Recovery for Attribute Missing Graph Learning in Social Internet of Things [12.837094650472048]
  Social Internet of Things(SIoT)は、物理デバイスとソーシャルネットワークの統合を促進する。 TAGは、トポロジカルな構造とセマンティックな属性の両方を捉え、複雑な相互作用の分析を強化する。 AMG学習にトポロジ的データを活用するトポロジ駆動属性回復(TDAR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:23:42Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• A Solution to Co-occurrence Bias: Attributes Disentanglement via Mutual Information Minimization for Pedestrian Attribute Recognition [10.821982414387525]
  そこで本研究では,現在の手法が,データセット分布のシーンやアイデンティティに適合する属性の相互依存性の一般化に実際に苦慮していることを示す。 現実的な場面で頑健なモデルをレンダリングするために,属性不整形特徴学習を提案し,属性の認識が他者の存在に依存しないことを保証する。
  論文  参考訳（メタデータ） (2023-07-28T01:34:55Z)
• AmGCL: Feature Imputation of Attribute Missing Graph via Self-supervised Contrastive Learning [2.42435538337438]
  AmGCL(Attribute missing Graph Contrastive Learning)は属性グラフデータの欠落ノード属性を処理するフレームワークである。 複数の実世界のデータセットに対する実験結果から、AmGCLは特徴計算とノード分類の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-05T07:03:24Z)
• GRAPHCACHE: Message Passing as Caching for Sentence-Level Relation Extraction [50.60428731334438]
  GRAPHCACHEは文間で特徴を伝達し、文レベルの関係抽出のためのより良い表現を学習するモジュールである。 グローバルプロパティ機能は、REのデータセットレベルの事前知識として機能し、文レベルの特徴を補完します。 GRAPHCACHEはREに大きな効果をもたらし、データセット内のすべての文を渡る効率的なメッセージパッシングを可能にする。
  論文  参考訳（メタデータ） (2022-05-08T05:30:19Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)
• Attribute Mix: Semantic Data Augmentation for Fine Grained Recognition [102.45926816660665]
  本研究では属性レベルのデータ拡張戦略であるAttribute Mixを提案する。 その原則は、属性の特徴が細粒度のサブカテゴリ間で共有され、画像間でシームレスに転送可能であることである。
  論文  参考訳（メタデータ） (2020-04-06T14:06:47Z)

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。