Fugu-MT 論文翻訳(概要): Graph Neural Network for Product Recommendation on the Amazon Co-purchase Graph

論文の概要: Graph Neural Network for Product Recommendation on the Amazon Co-purchase Graph

arxiv url: http://arxiv.org/abs/2508.14059v1
Date: Sun, 10 Aug 2025 02:12:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-24 10:27:26.532408
Title: Graph Neural Network for Product Recommendation on the Amazon Co-purchase Graph
Title（参考訳）: Amazon 共同購入グラフ上での製品推薦のためのグラフニューラルネットワーク
Authors: Mengyang Cao, Frank F. Yang, Yi Jin, Yijun Yan,
Abstract要約: グラフニューラルネットワーク(GNN)は、グラフベースの学習を通じて構造的および意味的関係を活用することにより、大きな可能性を証明している。本研究では,Amazon Product Co-purchase Network上での4つのGNNアーキテクチャ(LightGCN, GraphSAGE, GAT, PinSAGE)の能力を評価する。
参考スコア（独自算出の注目度）: 3.855006051648698
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying relevant information among massive volumes of data is a challenge for modern recommendation systems. Graph Neural Networks (GNNs) have demonstrated significant potential by utilizing structural and semantic relationships through graph-based learning. This study assessed the abilities of four GNN architectures, LightGCN, GraphSAGE, GAT, and PinSAGE, on the Amazon Product Co-purchase Network under link prediction settings. We examined practical trade-offs between architectures, model performance, scalability, training complexity and generalization. The outcomes demonstrated each model's performance characteristics for deploying GNN in real-world recommendation scenarios.
Abstract（参考訳）: 大量のデータの中から関連情報を識別することは、現代のレコメンデーションシステムにとって課題である。グラフニューラルネットワーク(GNN)は、グラフベースの学習を通じて構造的および意味的関係を活用することにより、大きな可能性を証明している。本研究は,Amazon Product Co-purchase Networkにおける4つのGNNアーキテクチャ(LightGCN, GraphSAGE, GAT, PinSAGE)のリンク予測設定による性能評価を行った。アーキテクチャ、モデル性能、スケーラビリティ、トレーニングの複雑さ、一般化のトレードオフについて検討した。その結果、実世界のレコメンデーションシナリオにGNNをデプロイする際の各モデルの性能特性が示された。

関連論文リスト

Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文参考訳（メタデータ） (2025-01-01T08:48:53Z)
TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文参考訳（メタデータ） (2024-11-23T05:31:25Z)
Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
グラフ機械学習のための総合的なベンチマークフレームワークを導入する。我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
論文参考訳（メタデータ） (2024-06-04T20:40:06Z)
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)
Ensemble Learning for Graph Neural Networks [28.3650473174488]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための様々な分野で成功している。本稿では,GNNの性能とロバスト性向上のためのアンサンブル学習手法の適用について検討する。
論文参考訳（メタデータ） (2023-10-22T03:55:13Z)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Taxonomy of Benchmarks in Graph Representation Learning [14.358071994798964]
グラフニューラルネットワーク(GNN)は、その固有の幾何学を考慮し、ニューラルネットワークの成功をグラフ構造化データに拡張する。現在、グラフ表現学習ベンチマークによって、与えられたモデルのどの側面が調査されているかはよく分かっていない。本稿では,グラフの摂動によってGNNの性能がどれだけ変化するかに基づいて,$textitsensitivity profile$に従ってベンチマークデータセットを分類する手法を開発した。
論文参考訳（メタデータ） (2022-06-15T18:01:10Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。