文献

J-GLOBAL ID：202202254311641606   整理番号：22A0478988

推奨のための注意融合による深いマルチグラフニューラルネットワーク【JST・京大機械翻訳】

Deep multi-graph neural networks with attention fusion for recommendation

著者 (4件)： Song Yuzhi (Department of Management Science and Engineering, China Jiliang University, Hangzhou 310018, Zhejiang, China) ,  Ye Hailiang (Department of Applied Mathematics, China Jiliang University, Hangzhou 310018, Zhejiang, China) ,  Li Ming (Key Laboratory of Intelligent Education Technology and Application of Zhejiang Province, Zhejiang Normal University, Jinhua 321004, China) ,  Cao Feilong (Department of Applied Mathematics, China Jiliang University, Hangzhou 310018, Zhejiang, China)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 191  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： グラフニューラルネットワーク(GNN)は,効果的なグラフ表現を学習する有望な可能性を持ち,与えられたグラフデータが豊富なユーザ,アイテム,およびそれらの歴史的インタラクション情報を含む推薦者システムに対して広く用いられている。ユーザとアイテムの両方に対する好ましい潜在表現を得る方法は,GNNベースの推薦のための重要課題の1つである。本論文は,マルチグラフ注意融合,MAF-GNNを有する新規な深いGNNモデルを開発した。このフレームワークは,入力情報からより良いユーザとアイテム潜在特徴を生成するために,2つの特徴グラフ注意モジュールとマルチスケール潜在特徴モジュールを構築する。特に,二重分枝残差グラフ注意(DBRGA)モジュールを提示して,ユーザとアイテムグラフから,効果的に,そして,容易に,近隣の類似特徴を抽出した。次に,マルチスケール潜在マトリックスを,次元選択のコストを減らすために埋め込む非線形変換を適用することによって捕捉した。さらに,ハイブリッド融合グラフ注意(HFGA)モジュールを設計して,ユーザとアイテムの潜在埋込みをさらに精密化することを目的として,ユーザ-アイテム相互作用グラフから貴重な協調情報を得た。最後に,全体のMAF-GNNフレームワークを,幾何学的因子化正則化損失によって最適化した。合成と実世界データセットの両方に関する広範な実験結果は,MAF-GNNがいくつかの既存の手法よりもあるレベルの解釈可能性でより良い推薦性能を達成できることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  相互作用 ,  学習 ,  *ニューラルネットワーク ,  残差 ,  精密化 ,  正則化
準シソーラス用語： 因子化 ,  マルチスケール ,  非線形変換 , 【Automatic Indexing@JST】

著者キーワード (4件)： グラフ表現学習 ,  グラフニューラルネットワーク ,  レコメンダーシステム ,  注意機構

分類 (2件)： 人工知能  (JE08000Z) ,  グラフ理論基礎  (IA02020S)

タイトルに関連する用語 (5件)： 推奨 ,  注意 ,  融合 ,  マルチ ,  グラフニューラルネットワーク