論文の概要: NLGCL: Naturally Existing Neighbor Layers Graph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2507.07522v1
• Date: Thu, 10 Jul 2025 08:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.321724
• Title: NLGCL: Naturally Existing Neighbor Layers Graph Contrastive Learning for Recommendation
• Title（参考訳）: NLGCL:リコメンデーションのためのグラフコントラスト学習
• Authors: Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Hewei Wang, Wei Wang, Xiping Hu, Edith Ngai,
• Abstract要約: グラフニューラルネットワーク(GNN)のための新しいコントラスト学習フレームワークであるNLGCLを提案する。 NLGCLは、各ノードとその隣人を正のペアとして、他のノードを負のペアとして扱うことにより、意味的関連性を保ちながら拡張ベースのノイズを避ける。 このパラダイムは、コストの高いビューの構築とストレージを排除し、現実のシナリオに対して計算的に効率的かつ実用的なものにします。
• 参考スコア（独自算出の注目度）: 13.817514358795982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) are widely used in collaborative filtering to capture high-order user-item relationships. To address the data sparsity problem in recommendation systems, Graph Contrastive Learning (GCL) has emerged as a promising paradigm that maximizes mutual information between contrastive views. However, existing GCL methods rely on augmentation techniques that introduce semantically irrelevant noise and incur significant computational and storage costs, limiting effectiveness and efficiency. To overcome these challenges, we propose NLGCL, a novel contrastive learning framework that leverages naturally contrastive views between neighbor layers within GNNs. By treating each node and its neighbors in the next layer as positive pairs, and other nodes as negatives, NLGCL avoids augmentation-based noise while preserving semantic relevance. This paradigm eliminates costly view construction and storage, making it computationally efficient and practical for real-world scenarios. Extensive experiments on four public datasets demonstrate that NLGCL outperforms state-of-the-art baselines in effectiveness and efficiency.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、高次ユーザ-イテム関係をキャプチャするために、協調フィルタリングに広く利用されている。 コントラスト学習(GCL)は,レコメンデーションシステムにおけるデータ空間の問題に対処するために,コントラストビュー間の相互情報を最大化する,有望なパラダイムとして登場した。 しかし、既存のGCL法は意味的に無関係なノイズを導入し、計算と記憶の大幅なコストを発生させ、効率と効率を制限できる拡張技術に依存している。 これらの課題を克服するために,我々は,GNN内の隣接層間の自然なコントラストビューを活用する,新しいコントラスト学習フレームワークであるNLGCLを提案する。 NLGCLは、各ノードとその隣人を正のペアとして、他のノードを負のペアとして扱うことにより、意味的関連性を維持しながら拡張ベースのノイズを回避する。 このパラダイムは、コストの高いビューの構築とストレージを排除し、現実のシナリオに対して計算的に効率的かつ実用的なものにします。 4つの公開データセットに対する大規模な実験により、NLGCLは最先端のベースラインよりも有効性と効率性が優れていることが示された。

関連論文リスト

• Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation [8.711556540753774]
  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。
  論文  参考訳（メタデータ） (2025-05-30T03:32:26Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation [2.9449497738046078]
  グラフニューラルネットワーク(GNN)は、推薦システムのための強力な学習方法である。 近年,コントラスト学習とGNNの統合は,レコメンデータシステムにおいて顕著な性能を示している。 本研究は,LFA-GCLと呼ばれる潜在因子分析(LFA)強化GCLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-09T03:24:48Z)
• 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)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• 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)
• 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)

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。