論文の概要: Hybrid Matrix Factorization Based Graph Contrastive Learning for Recommendation System

• arxiv url: http://arxiv.org/abs/2509.05115v1
• Date: Fri, 05 Sep 2025 13:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.604831
• Title: Hybrid Matrix Factorization Based Graph Contrastive Learning for Recommendation System
• Title（参考訳）: ハイブリッド行列分解に基づくレコメンデーションシステムのためのグラフコントラスト学習
• Authors: Hao Chen, Wenming Ma, Zihao Chu, Mingqi Li,
• Abstract要約: コントラスト学習とグラフニューラルネットワークを組み合わせた手法が登場し、レコメンデーションシステムの課題に対処している。 本稿では,HMFGCL (Hybrid Matrix Factorization based Graph Contrastive Learning) と呼ばれる新しい手法を提案する。 低ランク行列分解(MF)と特異値分解(SVD)という2つの異なる行列分解技術を統合し、グローバルな協調情報を補完的に取得する。
• 参考スコア（独自算出の注目度）: 8.093253521316667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, methods that combine contrastive learning with graph neural networks have emerged to address the challenges of recommendation systems, demonstrating powerful performance and playing a significant role in this domain. Contrastive learning primarily tackles the issue of data sparsity by employing data augmentation strategies, effectively alleviating this problem and showing promising results. Although existing research has achieved favorable outcomes, most current graph contrastive learning methods are based on two types of data augmentation strategies: the first involves perturbing the graph structure, such as by randomly adding or removing edges; and the second applies clustering techniques. We believe that the interactive information obtained through these two strategies does not fully capture the user-item interactions. In this paper, we propose a novel method called HMFGCL (Hybrid Matrix Factorization Based Graph Contrastive Learning), which integrates two distinct matrix factorization techniques-low-rank matrix factorization (MF) and singular value decomposition (SVD)-to complementarily acquire global collaborative information, thereby constructing enhanced views. Experimental results on multiple public datasets demonstrate that our model outperforms existing baselines, particularly on small-scale datasets.
• Abstract（参考訳）: 近年、グラフニューラルネットワークと対比学習を組み合わせた手法が登場し、推薦システムの課題に対処し、強力なパフォーマンスを示し、この分野で重要な役割を担っている。 対照的な学習は、主にデータ拡張戦略を採用し、この問題を効果的に軽減し、有望な結果を示すことによって、データ疎結合の問題に取り組む。 既存の研究は良好な結果を得たが、現在のグラフコントラスト学習手法のほとんどは、エッジをランダムに追加したり削除したりすることでグラフ構造を摂動させるという2つのタイプのデータ拡張戦略に基づいている。 これらの2つの戦略によって得られたインタラクティブな情報は、ユーザとイテムのインタラクションを完全に捉えていないと信じている。 本稿では,HMFGCL (Hybrid Matrix Factorization based Graph Contrastive Learning) と呼ばれる新しい手法を提案する。 複数の公開データセットに対する実験結果は、我々のモデルが既存のベースライン、特に小規模データセットよりも優れていることを示している。

関連論文リスト

• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Multi-view Clustering with Deep Matrix Factorization and Global Graph Refinement [37.34296330445708]
  マルチビュークラスタリングは、機械学習とデータマイニングにおいて重要かつ困難なタスクです。 本稿では,ディープセミnmfとグローバルグラフリファインメント(mvc-dmf-ggr)を用いたマルチビュークラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-01T13:40:20Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)

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。

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。