論文の概要: Inductive Transfer Learning for Graph-Based Recommenders

• arxiv url: http://arxiv.org/abs/2510.22799v1
• Date: Sun, 26 Oct 2025 19:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.561385
• Title: Inductive Transfer Learning for Graph-Based Recommenders
• Title（参考訳）: グラフベースレコメンダのための帰納的伝達学習
• Authors: Florian Grötschla, Elia Trachsel, Luca A. Lanzendörfer, Roger Wattenhofer,
• Abstract要約: グラフに基づく推薦モデルであるNBF-Recを提案する。 本手法は,映画,音楽,eコマース,位置情報チェックインを対象とする実世界の7つのデータセットに対して評価する。
• 参考スコア（独自算出の注目度）: 38.40457780873775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based recommender systems are commonly trained in transductive settings, which limits their applicability to new users, items, or datasets. We propose NBF-Rec, a graph-based recommendation model that supports inductive transfer learning across datasets with disjoint user and item sets. Unlike conventional embedding-based methods that require retraining for each domain, NBF-Rec computes node embeddings dynamically at inference time. We evaluate the method on seven real-world datasets spanning movies, music, e-commerce, and location check-ins. NBF-Rec achieves competitive performance in zero-shot settings, where no target domain data is used for training, and demonstrates further improvements through lightweight fine-tuning. These results show that inductive transfer is feasible in graph-based recommendation and that interaction-level message passing supports generalization across datasets without requiring aligned users or items.
• Abstract（参考訳）: グラフベースのレコメンデータシステムは一般的に、トランスダクティブな設定でトレーニングされている。 グラフに基づく推薦モデルであるNBF-Recを提案する。 NBF-Recは、各ドメインの再トレーニングを必要とする従来の埋め込みベースの手法とは異なり、推論時にノードの埋め込みを動的に計算する。 本手法は,映画,音楽,eコマース,位置情報チェックインを対象とする実世界の7つのデータセットに対して評価する。 NBF-Recは、ターゲットドメインデータがトレーニングに使用されないゼロショット環境での競合的なパフォーマンスを実現し、軽量な微調整によるさらなる改善を実証する。 これらの結果は、グラフベースのレコメンデーションではインダクティブトランスファーが実現可能であり、インタラクションレベルのメッセージパッシングは、一致したユーザやアイテムを必要とせずに、データセット間の一般化をサポートすることを示している。

関連論文リスト

• A Transfer Framework for Enhancing Temporal Graph Learning in Data-Scarce Settings [30.97142882931946]
  エンティティ間の動的相互作用は、ソーシャルプラットフォーム、金融システム、ヘルスケア、電子商取引のようなドメインで一般的である。 TGNNはそのような予測タスクに対して強力な結果を得ているが、通常、現実世界のシナリオで制限される広範なトレーニングデータを必要とする。 本稿では,ノード表現を関連する特徴から2部符号化機構によって切り離す新しい転送手法を提案する。
  論文  参考訳（メタデータ） (2025-03-02T11:10:29Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Item Graph Convolution Collaborative Filtering for Inductive Recommendations [8.653065412619357]
  本稿では,暗黙的なユーザ・イテムインタラクションデータに依存しながら,ユーザの視点から帰納的な畳み込みに基づくアルゴリズムを提案する。 提案手法は,4つの実世界のデータセットのトランスダクティブベースラインに対して,最先端のレコメンデーション性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T12:58:41Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
  グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。 提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
  論文  参考訳（メタデータ） (2020-07-31T16:56:54Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。