論文の概要: Democratic Recommendation with User and Item Representatives Produced by Graph Condensation

• arxiv url: http://arxiv.org/abs/2511.18279v1
• Date: Sun, 23 Nov 2025 04:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.7422
• Title: Democratic Recommendation with User and Item Representatives Produced by Graph Condensation
• Title（参考訳）: グラフ凝縮によるユーザと項目の代表者による民主的勧告
• Authors: Jiahao Liang, Haoran Yang, Xiangyu Zhao, Zhiwen Yu, Guandong Xu, Wanyu Wang, Kaixiang Yang,
• Abstract要約: グラフ凝縮の最近の進歩は、重要な情報を保持しながら、グラフのサイズを減らし、有望な方向を提供する。 提案する textbfDemoRec は,グラフの凝縮を利用してユーザおよび項目の代表を推薦タスクとして生成するフレームワークである。 4つの公開データセットで実施された実験は、DemoRecの有効性を示し、SOTA法と比較して推奨性能、計算効率、堅牢性を大幅に改善したことを示している。
• 参考スコア（独自算出の注目度）: 41.261736328512065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The challenges associated with large-scale user-item interaction graphs have attracted increasing attention in graph-based recommendation systems, primarily due to computational inefficiencies and inadequate information propagation. Existing methods provide partial solutions but suffer from notable limitations: model-centric approaches, such as sampling and aggregation, often struggle with generalization, while data-centric techniques, including graph sparsification and coarsening, lead to information loss and ineffective handling of bipartite graph structures. Recent advances in graph condensation offer a promising direction by reducing graph size while preserving essential information, presenting a novel approach to mitigating these challenges. Inspired by the principles of democracy, we propose \textbf{DemoRec}, a framework that leverages graph condensation to generate user and item representatives for recommendation tasks. By constructing a compact interaction graph and clustering nodes with shared characteristics from the original graph, DemoRec significantly reduces graph size and computational complexity. Furthermore, it mitigates the over-reliance on high-order information, a critical challenge in large-scale bipartite graphs. Extensive experiments conducted on four public datasets demonstrate the effectiveness of DemoRec, showcasing substantial improvements in recommendation performance, computational efficiency, and robustness compared to SOTA methods.
• Abstract（参考訳）: 大規模ユーザ・イテム相互作用グラフに関連する課題は、主に計算の非効率性や情報伝達の不十分さによって、グラフベースのレコメンデーションシステムにおいて注目を集めている。 サンプリングやアグリゲーションのようなモデル中心のアプローチは、しばしば一般化に苦しむが、グラフスカラー化や粗大化といったデータ中心の手法は、情報損失と二部グラフ構造の非効率な処理をもたらす。 グラフ凝縮の最近の進歩は、重要な情報を保持しながらグラフのサイズを減らし、これらの課題を緩和するための新しいアプローチを示すことによって、有望な方向を提供する。 民主主義の原則にインスパイアされたグラフ凝縮を利用した推薦タスクのためのユーザおよび項目代表を生成するフレームワークである「textbf{DemoRec}」を提案する。 コンパクトな相互作用グラフとクラスタリングノードをオリジナルのグラフから共有することで、DemoRecはグラフのサイズと計算の複雑さを著しく削減する。 さらに、大規模な二部グラフにおいて重要な課題である高次情報への過度依存を緩和する。 4つの公開データセットで実施された大規模な実験は、DemoRecの有効性を示し、SOTA法と比較して推奨性能、計算効率、堅牢性を大幅に改善したことを示している。

関連論文リスト

• CORE: Data Augmentation for Link Prediction via Information Bottleneck [25.044734252779975]
  リンク予測(LP)はグラフ表現学習の基本的な課題である。 LPモデルのコンパクトかつ予測的な拡張を学習するための新しいデータ拡張手法であるCOREを提案する。
  論文  参考訳（メタデータ） (2024-04-17T03:20:42Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• 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)
• A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
  本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。 グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。 提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-07-13T12:58:32Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning [21.0019144298605]
  既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。 textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。 既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
  論文  参考訳（メタデータ） (2020-09-22T01:58:19Z)

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。