論文の概要: Dynamic Graph with Similarity-Aware Attention Graph Neural Network for Recommender Systems

• arxiv url: http://arxiv.org/abs/2605.05238v1
• Date: Sat, 02 May 2026 16:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.297262
• Title: Dynamic Graph with Similarity-Aware Attention Graph Neural Network for Recommender Systems
• Title（参考訳）: リコメンダシステムのための類似性を考慮した注意グラフニューラルネットワークを用いた動的グラフ
• Authors: Aadarsh Senapati, Neha Kujur, Vivek Yelleti,
• Abstract要約: 本稿では,動的グラフ類似性を考慮した注意グラフニューラルネットワークフレームワークを提案する。 動的ユーザ類似性グラフ構築と多相性伝播とアテンションベースのアグリゲーションを統合している。 MovieLens100Kベンチマークの実験では、DG-SA-GNNが0.162のRecall@20と0.065のNDCG@20を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recommender systems are essential components of modern online platforms which presents personalized content in various domain. The traditional collaborative filtering methods depends on static user-item interaction graphs and a limited subset of similarity measures which fail to capture the changing nature of preferences of an individual. Recent graph neural network (GNN) based approaches focus on user-item bipartite graphs which do not use explicit user-user relational modelling and dynamic graph evolution during training. To address these limitations, this paper proposes a Dynamic Graph SimilarityAware Attention Graph Neural Network (DG-SA-GNN) framework that integrates dynamic user similarity graph construction with multi-similarity propagation and attention-based aggregation. The proposed architecture constructs four parallel user similarity graphs using Cosine, Jaccard, Discounted Pearson Correlation Coefficient (Discount PCC), and IPIJ similarity functions, each processed by a dedicated UserGNN module. A Graph Transformer fuses the four graph views, and a CrossAttention module refines user embeddings through interaction with item embeddings. Crucially, the graphs are reconstructed at scheduled epochs during training, enabling the model to adapt to the learned embedding space constituting the dynamic graph component. Mini-batch training with hard negative sampling improves scalability and convergence. Experiments on the MovieLens100K benchmark demonstrate that DG-SA-GNN achieves a Recall@20 of 0.162 and NDCG@20 of 0.065 which is better than the LightGCN baseline in recall. The results validate that dynamic multi-similarity graph construction coupled with attention-based fusion which produce recommendation performance
• Abstract（参考訳）: レコメンダシステムは、様々なドメインでパーソナライズされたコンテンツを提示する現代のオンラインプラットフォームにおいて不可欠なコンポーネントである。 従来の協調フィルタリング手法は、静的なユーザとイテムの相互作用グラフと、個人の好みの変化を捉えるのに失敗する類似度尺度の限られたサブセットに依存している。 最近のグラフニューラルネットワーク(GNN)に基づくアプローチは、トレーニング中に明示的なユーザ-ユーザリレーショナルモデリングと動的グラフ進化を使用しない、ユーザ-テム二部グラフに重点を置いている。 これらの制約に対処するために,動的ユーザ類似性グラフ構築とマルチ類似性伝搬と注目に基づくアグリゲーションを統合した動的グラフ類似性意識グラフニューラルネットワーク(DG-SA-GNN)フレームワークを提案する。 提案アーキテクチャは,Cosine, Jaccard, Discounted Pearson correlation Coefficient (Discount PCC), IPIJ の4つの並列ユーザ類似度グラフを構築し,それぞれ専用の UserGNN モジュールで処理する。 Graph Transformerは4つのグラフビューを融合し、CrossAttentionモジュールはアイテムの埋め込みとのインタラクションを通じてユーザの埋め込みを洗練する。 重要なことに、これらのグラフはトレーニング中にスケジュールされたエポックで再構成され、モデルが動的グラフ成分を構成する学習された埋め込み空間に適応できるようにする。 ハードネガティブサンプリングによるミニバッチトレーニングは、スケーラビリティと収束性を改善する。 MovieLens100Kベンチマークの実験では、DG-SA-GNNが0.162のRecall@20と0.065のNDCG@20を達成した。 動的多相グラフ構築とアテンションベース融合の併用による推薦性能の検証

関連論文リスト

• RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation [26.878738892518427]
  RankGraphはスケーラブルなグラフ学習フレームワークで、推奨基礎モデル(FM)のコアコンポーネントとして機能するよう設計されている。 我々のフレームワークはGPUで加速されたグラフニューラルネットワークとコントラスト学習を採用しており、サブグラフの動的抽出を可能にしている。 RankGraphは、オンラインA/Bテストにおけるクリック(+0.92%)とコンバージョンレート(+2.82%)の改善を実証している。
  論文  参考訳（メタデータ） (2025-09-03T02:16:50Z)
• GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network [5.027047552301203]
  効率的なGNNベースのエッジコンピューティングアーキテクチャであるGraphEdgeを提案する。 GNNタスクのECシステムは、ユーザ間の関連性があり、近隣のタスクデータを考慮する必要がある。 最適化されたグラフレイアウトに基づいて,提案した深部強化学習(DRL)に基づくグラフオフロードアルゴリズム(DRLGO)を実行する。
  論文  参考訳（メタデータ） (2025-04-22T13:45:13Z)
• GIMS: Image Matching System Based on Adaptive Graph Construction and Graph Neural Network [7.556253645434246]
  本稿では,距離と動的しきい値の類似性に基づくフィルタリング機構を利用する,革新的な適応グラフ構築手法を提案する。 また、トランスフォーマーのグローバルな認識能力を組み合わせて、グラフ構造の表現を強化する。 システム全体のマッチング性能は平均3.8x-40.3x向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:05:55Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。