文献

J-GLOBAL ID：202002277728236745   整理番号：20A2139282

推薦のためのLightGCN単純化および電力グラフ畳込みネットワーク【JST・京大機械翻訳】

LightGCN Simplifying and Powering Graph Convolution Network for Recommendation

著者 (6件)： He Xiangnan (University of Science and Technology of China, HeFei, China) ,  Deng Kuan (University of Science and Technology of China, HeFei, China) ,  Wang Xiang (National University of Singapore, Singapore, Singapore) ,  Li Yan (Beijing Kuaishou Technology Co., Ltd., BeiJing, China) ,  Zhang YongDong (University of Science and Technology of China, HeFei, China) ,  Wang Meng (Hefei University of Technology, Hefei, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGIR ’20  ページ： 639-648  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： グラフ畳込みネットワーク(GCN)は協調フィルタリングのための新しい最先端技術になっている。それにもかかわらず,推薦に対するその有効性の理由は十分に理解されていない。推薦にGCNを適応させる既存の研究はGCNに関する完全なアブレーション解析を欠いているが,これは当初グラフ分類タスクのために設計され,多くのニューラルネットワーク演算を備えている。しかし,GCNs-特徴変換と非線形活性化における2つの最も一般的な設計が協調フィルタリングの性能にほとんど寄与しないことを経験的に見出した。訓練の困難さに加え,推薦性能を劣化させる。本研究では,GCNの設計を単純化し,推薦のために,より簡潔で適切なものにすることを目指した。協調フィルタリングのために,GCN-近傍集合における最も本質的な成分のみを含む,光GCNと呼ぶ新しいモデルを提案した。特に,LightGCNはユーザとアイテムの埋込みをユーザ-アイテムインタラクショングラフに線形に伝搬することにより,ユーザとアイテムの埋込みを学習し,最終的な埋込みとしてすべての層で学習された埋込みの加重和を使用する。このような単純,線形,および純モデルは,実装と訓練が容易であり,ニューラルグラフ協調フィルタリング(NGCF),すなわち,最先端のGCNベースの推薦者モデル,すなわち,正確に同じ実験設定の下で,実質的な改善(平均で約16.0%の相対的改善)を示す。解析的および経験的展望の両方から簡単なLightGCNの合理性に対するさらなる解析を提供した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  *簡素化 ,  *電力 ,  *ネットワーク ,  ニューラルネットワーク ,  演算 ,  線形性 ,  有効性 ,  アブレーション
準シソーラス用語： 協調フィルタリング ,  合理性 ,  特徴変換 , 【Automatic Indexing@JST】

著者キーワード (4件)： 協調フィルタリング ,  埋込み伝搬 ,  グラフニューラルネットワーク ,  勧告

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 推薦 ,  単純化 ,  グラフ ,  畳込み