論文の概要: RAE: A Rule-Driven Approach for Attribute Embedding in Property Graph Recommendation

• arxiv url: http://arxiv.org/abs/2506.08314v2
• Date: Thu, 26 Jun 2025 23:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 15:06:58.847807
• Title: RAE: A Rule-Driven Approach for Attribute Embedding in Property Graph Recommendation
• Title（参考訳）: RAE: プロパティグラフレコメンデーションにおける属性埋め込みのためのルール駆動アプローチ
• Authors: Sibo Zhao, Michael Bewong, Selasi Kwashie, Junwei Hu, Zaiwen Feng,
• Abstract要約: 属性埋め込みのためのルール駆動アプローチは、プロパティグラフからセマンティックルールを効果的にマイニングし、活用することでレコメンデーションパフォーマンスを向上させる。 RAEは、最先端のベースラインと比較して、Recall@20とNDCG@20で平均10.6%改善している。
• 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 are crucial in modern applications to enhance the user experience and drive business conversion rates through personalization. However, insufficient utilization of attribute information within the property graph remains a significant challenge. Most existing graph convolutional network (GCN) models do not consider attribute information, and those that do often employ a simplified triple format <users, items, attributes>, which fails to fully exploit the rich semantic structures of property graphs necessary for effective recommendations. To overcome these limitations, we introduce Rule-Driven Approach for Attribute Embedding (RAE), a novel methodology that enhances recommendation performance by effectively mining and utilizing semantic rules from property graphs. RAE applies a rule-mining process to extract meaningful rules that guide random walks in generating enriched attribute embeddings. These enriched embeddings are subsequently integrated into GCNs, surpassing conventional triple-based embedding techniques. We evaluate RAE on real-world datasets (e.g., Blogcatalog and Flickr) and demonstrate that RAE achieves an average improvement of 10.6% in both Recall@20 and NDCG@20 compared to state-of-the-art baselines, indicating superior relevance coverage and ranking rationality in top-20 recommendations. Additionally, RAE exhibits enhanced robustness against data sparsity and the attribute missingness problem. Our novel approach underscores the significant performance gains achieved in recommendation systems by fully leveraging attribute information within property graphs, enhancing both effectiveness and reliability.
• Abstract（参考訳）: 勧告システムは、ユーザエクスペリエンスを高め、パーソナライズを通じてビジネスコンバージョン率を推し進めるために、現代的なアプリケーションにおいて不可欠である。 しかし、プロパティグラフ内の属性情報の不十分な利用は重要な課題である。 既存のグラフ畳み込みネットワーク(GCN)モデルは属性情報を考慮せず、しばしば単純化された三重形式<users, items, attribute>を使うが、効果的なレコメンデーションに必要なプロパティグラフのリッチなセマンティック構造を十分に活用できない。 これらの制限を克服するために、プロパティグラフからセマンティックルールを効果的にマイニングし、活用することによってレコメンデーションパフォーマンスを高める新しい手法であるRe Rule-Driven Approach for Attribute Embedding (RAE)を導入する。 RAEは、リッチな属性埋め込みを生成する際にランダムウォークを導く意味のあるルールを抽出するためにルールマイニングプロセスを適用している。 これらのリッチな埋め込みはその後GCNに統合され、従来のトリプルベースの埋め込み技術を超えている。 実世界のデータセット(例:Blogcatalog、Flickr)でRAEを評価し、RAEがRecall@20とNDCG@20で平均10.6%の改善を達成したことを実証した。 さらに、RAEはデータスパーシリティと属性不足問題に対する堅牢性を強化している。 提案手法は,属性情報を属性グラフ内で完全に活用し,有効性と信頼性を両立させることにより,レコメンデーションシステムにおいて達成される顕著な性能向上を裏付けるものである。

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。