Core Concepts
ユーザーとアイテムの間の関係密度の違いを考慮した新しい枠組みであるBusGCLが、推薦タスクにおいて優れた結果をもたらす。
Abstract
最近の方法は、協調フィルタリング用のグラフコントラスティブ学習を利用しており、BusGCLは既存のモデルが理想的な結果を達成することを制限している問題に取り組んでいる。
BusGCLは、ユーザーとアイテムの両方に異なるGCNから生成された埋め込みを考慮し、双方向性スライシングコントラスト学習を提案している。
ディスパージングロスは、GCNによって引き起こされたオーバースムージング問題を緩和するために設計されており、ノードの学習能力を維持する。
イントロダクション
推薦システムはオンライン小売プラットフォームやソーシャルネットワーキングアプリケーションなどで広く使用されており、情報過多から利用者が好みに合ったアイテムを見つける手助けをしています。
本稿では、バイラテラル非対称グラフコントラスティブ学習(BusGCL)という新しい枠組みが提案されており、その有効性が実験で示されています。
メソドロジー
BusGCLは、異なるGCN特性を考慮したマルチストリクトグラフモデルであり、双方向性サブビューを選択して関係密度差異に一致させます。
ディスパージングロスはGCNによって引き起こされたオーバースムージング問題を緩和するために設計されました。
結果
BusGCLは他の既存手法よりも優れたパフォーマンスを示しました。特にYelpデータセットでは他手法よりも優れています。
バリエーション分析では、BusGCLperが最も良好なパフォーマンスを示しました。また、ディスパージングロスは推奨パフォーマンス向上に有効です。
Stats
著者:Jiaheng Yu, Kai Zhu, Jing Li, Shuyi Zhang, Yue He, Wen Hu
インデックス用語:推薦システム、ハイパーグラフ、グラフコントラスト学習
Quotes
"Recent methods utilize graph contrastive Learning within graph-structured user-item interaction data for collaborative filtering and have demonstrated their efficacy in recommendation tasks."
"To solve this issue, we propose a novel framework for recommendation tasks called Bilateral Unsymmetrical Graph Contrastive Learning (BusGCL) that consider the bilateral unsymmetry on user-item node relation density."