FDGNN: Feature-Aware Disentangled Graph Neural Network for Recommendation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Collaborative filtering (CF) is dedicated to learning the representations of users and items based on interactive data. Regrettably, the lack of fine-grained modeling of interactive motivation makes the model less interpretable. A feasible solution is to combine the disentangling idea with the graph neural network (GNN) and capture different types of interaction relationships by using a message propagation mechanism on the graph of user–item interaction. However, this process typically relies on the disentangling of users’ hidden intents, ignoring the significance of item features to user engagement. This fact leads to the inadequate interpretability of existing models. To make up for the deficiency, this article proposes a new feature-aware disentangled GNN (FDGNN) for the recommendation. By learning the relationship between user behavior and important features of items, the model aims to achieve better recommendation performance and model interpretability. In the end, we first realize the feature partition based on mutual information and then design an attention-based graph disentangling model to realize the fine-grained disentangling of user intents. In addition, to further ensure the independence of the disentangled intents, we augment the model with disagreement regularization. Through multilayer embedding propagation, FDGNN can display a capture CF effect in feature semantics. The interpretability and efficiency of our proposed approach are demonstrated by numerous pertinent experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle