論文の概要: Intent Propagation Contrastive Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2604.15704v1
• Date: Fri, 17 Apr 2026 05:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.7438
• Title: Intent Propagation Contrastive Collaborative Filtering
• Title（参考訳）: Intent Propagation Contrasative Collaborative Filtering
• Authors: Haojie Li, Junwei Du, Guanfeng Liu, Feng Jiang, Yan Wang, Xiaofang Zhou,
• Abstract要約: ノード間の相互作用の意図を明らかにし、ノード表現の解釈可能性を向上させる。 既存の非絡合法では,まず直接ノード間相互作用から得られる局所的構造的特徴に着目し,非絡合精度を制限する包括的グラフ構造を見渡す。 本稿では,これらの問題に対処するため,Intent Propagation Contrasative Collaborative Filtering (IPCCF)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 35.58245134730195
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Disentanglement techniques used in collaborative filtering uncover interaction intents between nodes, improving the interpretability of node representations and enhancing recommendation performance. However, existing disentanglement methods still face two problems. First, they focus on local structural features derived from direct node interactions and overlook the comprehensive graph structure, which limits disentanglement accuracy. Second, the disentanglement process depends on backpropagation signals derived from recommendation tasks and lacks direct supervision, which may lead to biases and overfitting. To address these issues, we propose the Intent Propagation Contrastive Collaborative Filtering (IPCCF) algorithm. Specifically, we design a double helix message propagation framework to more effectively extract the deep semantic information of nodes, thereby improving the model's understanding of interactions between nodes. We also develop an intent message propagation method that incorporates graph structure information into the disentanglement process, thereby expanding the consideration scope of disentanglement. In addition, contrastive learning techniques are employed to align node representations derived from structure and intents, providing direct supervision for the disentanglement process, mitigating biases, and enhancing the model's robustness to overfitting. Experiments on three real data graphs illustrate the superiority of the proposed approach.
• Abstract（参考訳）: ノード間の相互作用の意図を探索し、ノード表現の解釈性を改善し、推薦性能を向上させる。 しかし、既存の解離法は2つの問題に直面している。 まず,直接ノード間相互作用から得られる局所的構造的特徴に着目し,絡み合いの精度を制限する包括的グラフ構造を見渡す。 第二に、アンタングル化プロセスはレコメンデーションタスクに由来するバックプロパゲーション信号に依存し、直接的な監督が欠如しているため、バイアスや過度な適合につながる可能性がある。 これらの問題に対処するために,Intent Propagation Contrasative Collaborative Filtering (IPCCF)アルゴリズムを提案する。 具体的には、ノードの深い意味情報をより効果的に抽出し、ノード間の相互作用に対するモデルの理解を改善するために、二重ヘリックスメッセージ伝搬フレームワークを設計する。 また,グラフ構造情報をアンタングル化処理に組み込むインテントメッセージ伝搬手法を開発し,アンタングル化の考慮範囲を拡大する。 さらに、構造と意図から導かれるノード表現の整合、絡み合いのプロセスの直接的な監督、バイアスの軽減、モデルの過度適合に対する堅牢性の向上など、対照的な学習技術が採用されている。 3つの実データグラフの実験は、提案手法の優位性を示している。

関連論文リスト

• Diffusion-augmented Graph Contrastive Learning for Collaborative Filter [5.6604917723826365]
  グラフベースの協調フィルタリングはレコメンデーションシステムにおいて顕著なアプローチとして確立されている。 グラフコントラスト学習の最近の進歩は、データの分散問題を緩和する有望な可能性を示している。 本稿では,DGCL(Diffusion-augmented Contrastive Learning)による協調フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T16:15:20Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Self-Contrastive Graph Diffusion Network [1.14219428942199]
  我々は、自己コントラストグラフ拡散ネットワーク(SCGDN)と呼ばれる新しいフレームワークを提案する。 私たちのフレームワークは、注意モジュール(AttM)と拡散モジュール(DiFM)の2つの主要コンポーネントで構成されています。 既存の方法論とは異なり、SCGDNは「サンプリングバイアス」や意味的ドリフトを避ける拡張自由なアプローチである。
  論文  参考訳（メタデータ） (2023-07-27T04:00:23Z)
• ConstGCN: Constrained Transmission-based Graph Convolutional Networks for Document-level Relation Extraction [24.970508961370548]
  グラフニューラルネットワークによる文書レベルの関係抽出は、トレーニングと推論の基本的なグラフ構築ギャップに直面している。 本稿では,知識に基づく情報伝達を行う新しいグラフ畳み込みネットワークである$textbfConstGCN$を提案する。 実験の結果,本手法はDocREデータセットに対する従来のSOTA(State-of-the-art)アプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-10-08T07:36:04Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks [61.950353376870154]
  Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。 トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。 我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-13T11:51:17Z)

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。