Contrastive Sequential Interaction Network Learning on Co-Evolving Riemannian Spaces

要約

逐次対話ネットワークは通常、推奨システムなどのさまざまなアプリケーションに使用されます。
ここでは、将来の相互作用を推測することが基本的に重要であり、これまでの取り組みは主に古典的な曲率ゼロのユークリッド空間におけるダイナミクスに焦点を当てていました。
これまでの方法で達成された有望な結果にもかかわらず、一連の重要な問題は依然として未解決のままです。2 部構成の性質上、ユーザー ノードとアイテム ノードを、それらの固有の違いに関係なく 1 つの同一空間に配置するのは適切でしょうか?
ネットワークダイナミクスでは、固定された曲率空間の代わりに、新しいインタラクションが継続的に到着すると表現空間は進化するのでしょうか?
学習パラダイムにおいて、取得にコストがかかるラベル情報を取り除くことはできるでしょうか?
前述の問題に対処するために、我々は共進化リーエマン空間で学習する逐次相互作用ネットワークのための新しい対照モデル CSINCERE を提案します。
私たちの知る限り、私たちは単一の空間または静的な空間ではなく、いくつかの共進化する表現空間を初めて導入し、逐次相互作用ネットワークの共対比学習を提案しました。
CSINCERE では、さまざまなリーマン幾何学の表現空間間でメッセージを送信するための空間間集約を定式化し、時間の経過に伴う空間の発展をモデル化するためにリッチ曲率に基づいた神経曲率推定器を設計します。
その後、ラベルなしで相互作用予測を行うために、リーマン空間の対が互いに相互作用するように、逐次ネットワークの時間ビュー間の重み付けされた共コントラストを提示します。
5 つの公開データセットに関する実証結果は、CSINCERE が最先端の手法よりも優れていることを示しています。

要約(オリジナル)

The sequential interaction network usually find itself in a variety of applications, e.g., recommender system. Herein, inferring future interaction is of fundamental importance, and previous efforts are mainly focused on the dynamics in the classic zero-curvature Euclidean space. Despite the promising results achieved by previous methods, a range of significant issues still largely remains open: On the bipartite nature, is it appropriate to place user and item nodes in one identical space regardless of their inherent difference? On the network dynamics, instead of a fixed curvature space, will the representation spaces evolve when new interactions arrive continuously? On the learning paradigm, can we get rid of the label information costly to acquire? To address the aforementioned issues, we propose a novel Contrastive model for Sequential Interaction Network learning on Co-Evolving RiEmannian spaces, CSINCERE. To the best of our knowledge, we are the first to introduce a couple of co-evolving representation spaces, rather than a single or static space, and propose a co-contrastive learning for the sequential interaction network. In CSINCERE, we formulate a Cross-Space Aggregation for message-passing across representation spaces of different Riemannian geometries, and design a Neural Curvature Estimator based on Ricci curvatures for modeling the space evolvement over time. Thereafter, we present a Reweighed Co-Contrast between the temporal views of the sequential network, so that the couple of Riemannian spaces interact with each other for the interaction prediction without labels. Empirical results on 5 public datasets show the superiority of CSINCERE over the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google