論文の概要: GCIB: Graph Contrastive Information Bottleneck for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2605.25690v1
• Date: Mon, 25 May 2026 10:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.745945
• Title: GCIB: Graph Contrastive Information Bottleneck for Multi-Behavior Recommendation
• Title（参考訳）: GCIB:マルチビヘイビアレコメンデーションのためのグラフコントラスト情報ボトルネック
• Authors: Likang Wu, Zihao Chen, Jianxin Zhang, Sangqi Zhu, Yuanyuan Ge, Haipeng Yang, Lei Zhang,
• Abstract要約: 補助行動情報を識別する新しいフレームワークであるGCIB(Graph Contrastive Information Bottleneck)を紹介する。 構造レベルでは、GCIBはグラフインフォメーション・ボトルネック(Graph Information Bottleneck)の目的を用いて、識別された補助グラフと目標ビヘイビアグラフの相互情報を最大化する。 機能レベルでは、ユーザとアイテムの相補的なビューとして補助的特徴と目標的特徴を識別するクロスビヘイビアグラフコントラスト学習方式を提案する。
• 参考スコア（独自算出の注目度）: 16.952276846859913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid emergence of multi-behavior learning in recommender systems, leveraging auxiliary user behaviors has proven effective for mitigating target-behavior data sparsity. Yet auxiliary behavior graphs frequently contain noisy or irrelevant interactions that do not align with the target task, impeding the learning of accurate user and item embeddings. Moreover, the scarcity of direct supervision from the target behavior complicates the extraction of informative collaborative signals. In this paper, we introduce GCIB (Graph Contrastive Information Bottleneck), a novel framework that denoises auxiliary behavior information and enriches target behavior representations at both the structural and feature levels. At the structural level, GCIB employs a Graph Information Bottleneck (GIB) objective to maximize mutual information between the denoised auxiliary graph and the target-behavior graph while minimizing mutual information with the original auxiliary graph. This formulation preserves task-relevant structural patterns and suppresses spurious interactions. At the feature level, we propose a cross-behavior Graph Contrastive Learning (GCL) scheme in which denoised auxiliary features and target-behavior features serve as complementary views for both users and items. By contrasting these views, GCIB enriches sparse target-behavior representations with semantics distilled from auxiliary behaviors. Extensive experiments demonstrate that GCIB outperforms state-of-the-art baselines, highlighting its ability to learn noise-resilient and target-aware representations for multi-behavior recommendation.
• Abstract（参考訳）: 推薦システムにおける多行動学習の急速な台頭により, ユーザ行動の補助的利用は, 目標行動データの分散を緩和するのに有効であることが証明された。 しかし、補助的な行動グラフは、しばしば、ターゲットタスクと一致しないノイズや無関係な相互作用を含み、正確なユーザとアイテムの埋め込みの学習を妨げる。 さらに、標的行動からの直接監督の欠如は、情報的協調信号の抽出を複雑にする。 本稿では,GCIB(Graph Contrastive Information Bottleneck)について紹介する。 構造レベルでは、GCIBは、元の補助グラフとの相互情報を最小化しつつ、識別された補助グラフと目標行動グラフとの間の相互情報を最大化するために、グラフ情報ボトルネック(GIB)の目的を用いる。 この定式化はタスク関連構造パターンを保持し、素早い相互作用を抑制する。 機能レベルでは、ユーザとアイテムの相補的なビューとして補助特徴と目標ビヘイビア特徴を識別するクロスビヘイビアグラフコントラシブラーニング(GCL)方式を提案する。 これらの見解とは対照的に、GCIBは、補助的な行動から抽出されたセマンティックスとスパースターゲットビヘイビア表現を豊かにする。 大規模な実験により、GCIBは最先端のベースラインよりも優れており、マルチビヘイビアレコメンデーションのためにノイズ耐性とターゲット認識表現を学習する能力を強調している。

関連論文リスト

• Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
  本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。 本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。 実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-21T08:53:49Z)
• Improving Node Representation by Boosting Target-Aware Contrastive Loss [10.73390567832967]
  本稿では,ターゲット認識型コントラスト学習(Target-Aware Contrastive Learning,Target-Aware CL)を紹介する。 XTCLを最小化することにより、ターゲット認識CLは、ターゲットタスクとノード表現の間の相互情報を増加させる。 実験により、XTCLは2つのタスクの性能を著しく改善することを示した。
  論文  参考訳（メタデータ） (2024-10-04T20:08:24Z)
• 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)
• Impression-Informed Multi-Behavior Recommender System: A Hierarchical Graph Attention Approach [4.03161352925235]
  textbfHierarchical textbfMulti-behavior textbfGraph Attention textbfNetwork (HMGN)を紹介する。 この先駆的なフレームワークは、注意機構を利用して、行動内および行動内の両方から情報を識別する。 従来のグラフニューラルネットワーク手法に比べて,NDCG@100で最大64%の顕著なパフォーマンス向上を登録する。
  論文  参考訳（メタデータ） (2023-09-06T17:09:43Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• 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)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。