抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
知識グラフ(KG)は推薦システムにおいてますます重要な役割を果たす。最近,グラフニューラルネットワーク(GNN)ベースのモデルは,知識意識推薦(KGR)のテーマになった。しかし,GNNベースのKGRモデルには自然の欠陥があり,すなわち,スパース教師つき信号問題であり,それらの実際の性能低下をある程度減少させる可能性がある。本論文では,データ自体からの教師つき信号マイニングにおけるコントラスト学習の最近の成功に触発されて,本論文では,KG認識推薦におけるコントラスト学習の探索に焦点を当て,MCCLKという新しいマルチレベル交差ビューコントラスト学習メカニズムを提案した。崩壊または落下のような均一データ増強方式によって2つのグラフビューを生成する従来のコントラスト学習法と異なり,著者らは,グローバルレベル構造ビュー,局所レベル協調および意味的見解を含むKG認識推薦のための3つの異なるグラフビューを包括的に考察した。具体的には,協調ビューとしてユーザ-アイテムグラフ,セマンティックビューとしてアイテム-エンティティグラフ,および構造ビューとしてユーザ-アイテムグラフを考察した。したがって,MCCLKは,自己監督された方法で包括的グラフ特徴および構造情報をマイニングする,局所およびグローバルレベルの両方に関する3つの視点を横断して対比学習を行う。そのうえ,意味的見解において,k-Nearest-Neighbor(kNN)アイテム-項目セマンティックグラフ構築モジュールを提案して,通常,以前の研究によって無視される重要なアイテム-項目意味関係を捕えた。3つのベンチマークデータセット上で行った広範な実験は,最先端技術に対して提案手法の優れた性能を示した。実装はhttps://github.com/CCIIPLab/MCCLKで利用可能である。【JST・京大機械翻訳】