Handling Heterophily in Recommender Systems with Wavelet Hypergraph Diffusion

要約

レコメンダー システムは、さまざまなドメインにわたってパーソナライズされたユーザー エクスペリエンスを提供する上で極めて重要です。
ただし、異性愛パターンとユーザーとアイテムの相互作用の多次元の性質を把握することは、重大な課題を引き起こします。
これに対処するために、ハイパーグラフ ベースの推奨タスクにおける表現学習の進歩を目的とした革新的なフレームワークである FWHDNN (Fusion-based Wavelet Hypergraph Diffusion Neural Networks) を導入します。
このモデルには 3 つの重要なコンポーネントが組み込まれています: (1) 異性愛を意識したハイパーグラフ拡散を利用して、多様なクラス ラベルのメッセージ パッシングを適応させる相互差分関係エンコーダ、(2) ウェーブレット変換ベースのハイパーグラフ ニューラルを採用したマルチレベル クラスターワイズ エンコーダ
(3) 中間および後期融合戦略を通じて構造情報とテキスト情報を組み合わせる統合されたマルチモーダル融合メカニズム。
現実世界のデータセットに対する広範な実験により、FWHDNN がユーザーとアイテム間の高次の相互接続を捕捉する際の精度、堅牢性、スケーラビリティにおいて最先端の手法を上回っていることが実証されています。

要約(オリジナル)

Recommender systems are pivotal in delivering personalised user experiences across various domains. However, capturing the heterophily patterns and the multi-dimensional nature of user-item interactions poses significant challenges. To address this, we introduce FWHDNN (Fusion-based Wavelet Hypergraph Diffusion Neural Networks), an innovative framework aimed at advancing representation learning in hypergraph-based recommendation tasks. The model incorporates three key components: (1) a cross-difference relation encoder leveraging heterophily-aware hypergraph diffusion to adapt message-passing for diverse class labels, (2) a multi-level cluster-wise encoder employing wavelet transform-based hypergraph neural network layers to capture multi-scale topological relationships, and (3) an integrated multi-modal fusion mechanism that combines structural and textual information through intermediate and late-fusion strategies. Extensive experiments on real-world datasets demonstrate that FWHDNN surpasses state-of-the-art methods in accuracy, robustness, and scalability in capturing high-order interconnections between users and items.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google