論文の概要: PULSE: Socially-Aware User Representation Modeling Toward Parameter-Efficient Graph Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2601.14720v1
• Date: Wed, 21 Jan 2026 07:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.273993
• Title: PULSE: Socially-Aware User Representation Modeling Toward Parameter-Efficient Graph Collaborative Filtering
• Title（参考訳）: PULSE:パラメータ効率の良いグラフ協調フィルタリングに向けたソーシャル・アウェアなユーザ表現モデリング
• Authors: Doyun Choi, Cheonwoo Lee, Biniyam Aschalew Tolera, Taewook Ham, Chanyoung Park, Jaemin Yoo,
• Abstract要約: グラフベースのソーシャルレコメンデーション(SocialRec)は、グラフ協調フィルタリング(GCF)の強力な拡張として登場した。 PULSE ( efficient User representation with Social Knowledge) は,各ユーザに対して明示的な学習可能な埋め込みを作成することなく,社会的に意味のある信号からユーザ表現を構築することで,この制限に対処するフレームワークである。 提案手法は, コールドスタートから高能率ユーザに至るまで, 13 GCF とグラフベースのソーシャルレコメンデーションベースラインを, 時間とメモリ効率のモデリングプロセスを通じて, 様々なレベルのインタラクション・スパシティで性能向上を実現している。
• 参考スコア（独自算出の注目度）: 14.34577569889612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based social recommendation (SocialRec) has emerged as a powerful extension of graph collaborative filtering (GCF), which leverages graph neural networks (GNNs) to capture multi-hop collaborative signals from user-item interactions. These methods enrich user representations by incorporating social network information into GCF, thereby integrating additional collaborative signals from social relations. However, existing GCF and graph-based SocialRec approaches face significant challenges: they incur high computational costs and suffer from limited scalability due to the large number of parameters required to assign explicit embeddings to all users and items. In this work, we propose PULSE (Parameter-efficient User representation Learning with Social Knowledge), a framework that addresses this limitation by constructing user representations from socially meaningful signals without creating an explicit learnable embedding for each user. PULSE reduces the parameter size by up to 50% compared to the most lightweight GCF baseline. Beyond parameter efficiency, our method achieves state-of-the-art performance, outperforming 13 GCF and graph-based social recommendation baselines across varying levels of interaction sparsity, from cold-start to highly active users, through a time- and memory-efficient modeling process.
• Abstract（参考訳）: グラフベースのソーシャルレコメンデーション(SocialRec)は、グラフニューラルネットワーク(GNN)を活用するグラフコラボレーティブフィルタリング(GCF)の強力な拡張として登場し、ユーザとテムのインタラクションからマルチホップコラボレーティブ信号をキャプチャする。 これらの手法は、ソーシャルネットワーク情報をGCFに組み込むことで、ユーザ表現を豊かにし、社会的関係からのさらなる協調的なシグナルを統合する。 しかし、既存のGCFおよびグラフベースのSocialRecアプローチは、高い計算コストを発生させ、すべてのユーザやアイテムに明示的な埋め込みを割り当てるために必要なパラメータが多数存在するため、スケーラビリティが制限されているため、大きな課題に直面している。 本研究では,PULSE(Parameter- efficient User representation Learning with Social Knowledge)を提案する。このフレームワークは,各ユーザに対して明示的な学習可能な埋め込みを作成することなく,社会的に意味のある信号からユーザ表現を構築することによって,この制限に対処する。 PULSEは最も軽量なGCFベースラインに比べてパラメータサイズを最大50%削減する。 パラメータ効率以外にも,本手法は,コールドスタートから高アクティブユーザに至るまで,時間とメモリ効率のモデリングプロセスを通じて,13のGCFとグラフベースのソーシャルレコメンデーションベースラインを達成している。

関連論文リスト

• Invariance Matters: Empowering Social Recommendation via Graph Invariant Learning [39.957513241513105]
  ソーシャルグラフ不変学習(Social Graph Invariant Learning, SGIL)は、入力されたソーシャルグラフ内の安定したユーザの好みを明らかにすることを目的としている。 この目的を達成するために、SGILはまず、グラフ生成器を通じて複数のノイズの多い社会環境をシミュレートする。 生成した社会環境の多様性をさらに促進するために、敵の訓練戦略を採用する。
  論文  参考訳（メタデータ） (2025-04-14T17:20:48Z)
• CombiGCN: An effective GCN model for Recommender System [0.0]
  グラフニューラルネットワーク(GNN)は、協調フィルタリング(CF)研究の潜在的ラインを開く。 本稿では,ユーザ・イテム相互作用グラフ上にのみアイテムの埋め込みを線形に伝播させるリコメンデーションフレームワークCombiGCNを提案する。 また,実世界の3つのデータセット上で,CombiGCNと最先端モデルを比較検討した。
  論文  参考訳（メタデータ） (2025-03-27T13:03:27Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Learning Social Graph for Inactive User Recommendation [50.090904659803854]
  LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。 実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-05-08T03:40:36Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
  我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。 KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。 さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
  論文  参考訳（メタデータ） (2021-10-08T09:13:51Z)
• Social Recommendation with Self-Supervised Metagraph Informax Network [21.41026069530997]
  本稿では,ユーザの好み表現に社会的・知識に配慮した関係構造を組み込む可能性について検討する自己改善メタグラフInfor-max Network(SMIN)を提案する。 高次協調信号を注入するために、自己教師付きグラフベース協調フィルタリングの下で相互情報学習パラダイムを一般化する。 いくつかの実世界のデータセットに対する実験結果から,SMINモデルが様々な最先端レコメンデーション手法に対して有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-08T08:18:37Z)
• Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
  本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。 より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
  論文  参考訳（メタデータ） (2021-03-05T10:46:16Z)

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。