論文の概要: Generative Data Augmentation in Graph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2510.09129v1
• Date: Fri, 10 Oct 2025 08:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.489548
• Title: Generative Data Augmentation in Graph Contrastive Learning for Recommendation
• Title（参考訳）: レコメンデーションのためのグラフコントラスト学習における生成データ強化
• Authors: Yansong Wang, Qihui Lin, Junjie Huang, Tao Jia,
• Abstract要約: 高品質な拡張ビューを生成し、堅牢な自己教師型信号を提供するための新しいフレームワークであるGDA4Recを提案する。 我々は、深層生成モデルを利用したノイズ生成モジュールを用いて、データ拡張のための元のデータの分布を近似する。 GDA4Recはさらにアイテム補完行列を抽出し、アイテム間の潜在相関を特徴付け、追加の自己教師付き信号を提供する。
• 参考スコア（独自算出の注目度）: 7.878752226948897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems have become indispensable in various online platforms, from e-commerce to streaming services. A fundamental challenge in this domain is learning effective embeddings from sparse user-item interactions. While contrastive learning has recently emerged as a promising solution to this issue, generating augmented views for contrastive learning through most existing random data augmentation methods often leads to the alteration of original semantic information. In this paper, we propose a novel framework, GDA4Rec (Generative Data Augmentation in graph contrastive learning for Recommendation) to generate high-quality augmented views and provide robust self-supervised signals. Specifically, we employ a noise generation module that leverages deep generative models to approximate the distribution of original data for data augmentation. Additionally, GDA4Rec further extracts an item complement matrix to characterize the latent correlations between items and provide additional self-supervised signals. Lastly, a joint objective that integrates recommendation, data augmentation and contrastive learning is used to enforce the model to learn more effective and informative embeddings. Extensive experiments are conducted on three public datasets to demonstrate the superiority of the model. The code is available at: https://github.com/MrYansong/GDA4Rec.
• Abstract（参考訳）: 推薦システムは、eコマースからストリーミングサービスまで、さまざまなオンラインプラットフォームにおいて欠かせないものとなっている。 この領域における根本的な課題は、疎いユーザとイテムのインタラクションから効果的な埋め込みを学ぶことです。 コントラスト学習がこの問題に対する有望な解決策として最近登場したが、既存のほとんどのランダムデータ拡張手法を通じて、コントラスト学習のための拡張ビューを生成することは、しばしばオリジナルの意味情報の修正につながる。 本稿では,GDA4Rec(グラフのコントラスト学習における生成データ拡張)という新たなフレームワークを提案し,高品質な拡張ビューを生成し,堅牢な自己教師型信号を提供する。 具体的には、深層生成モデルを利用したノイズ生成モジュールを用いて、データ拡張のための元のデータの分布を近似する。 さらに、GDA4Recはアイテム補完行列を抽出し、アイテム間の潜在相関を特徴づけ、追加の自己教師付き信号を提供する。 最後に、リコメンデーション、データ拡張、コントラスト学習を統合した共同目的を用いて、モデルにより効果的で情報的な埋め込みを学習させる。 3つの公開データセットで大規模な実験を行い、モデルの優位性を実証した。 コードは、https://github.com/MrYansong/GDA4Rec.comで入手できる。

関連論文リスト

• DualAug: Exploiting Additional Heavy Augmentation with OOD Data Rejection [77.6648187359111]
  そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。 教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
  論文  参考訳（メタデータ） (2023-10-12T08:55:10Z)
• DiffAug: Enhance Unsupervised Contrastive Learning with Domain-Knowledge-Free Diffusion-based Data Augmentation [48.25619775814776]
  本稿では,拡散モードに基づく正データ生成を用いた新しい教師なしコントラスト学習手法であるDiffAugを提案する。 DiffAugはセマンティックエンコーダと条件拡散モデルから構成されており、条件拡散モデルはセマンティックエンコーダに条件付された新しい正のサンプルを生成する。 実験的評価により、DiffAugは、DNA配列、視覚、および生体機能データセットのハンドデザインおよびSOTAモデルに基づく拡張手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-10T13:28:46Z)
• Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
  本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。 提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2023-05-08T10:57:56Z)
• Improving Contrastive Learning with Model Augmentation [123.05700988581806]
  このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。 シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
  論文  参考訳（メタデータ） (2022-03-25T06:12:58Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。