論文の概要: Bridging RDF Knowledge Graphs with Graph Neural Networks for Semantically-Rich Recommender Systems

• arxiv url: http://arxiv.org/abs/2506.08743v1
• Date: Tue, 10 Jun 2025 12:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.458425
• Title: Bridging RDF Knowledge Graphs with Graph Neural Networks for Semantically-Rich Recommender Systems
• Title（参考訳）: 逐次Richレコメンダシステムのためのグラフニューラルネットワークを用いたRDF知識グラフのブリッジ
• Authors: Michael Färber, David Lamprecht, Yuni Susanti,
• Abstract要約: グラフニューラルネットワーク(GNN)を用いたRDF知識グラフの総合的な統合を提案する。 我々の主な焦点は、様々なGNNの詳細な評価である。 我々は,RDF KGのセマンティック・リッチネスを活用することで,リコメンダシステムを大幅に改善できることを実証した。
• 参考スコア（独自算出の注目度）: 9.408189129889006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have substantially advanced the field of recommender systems. However, despite the creation of more than a thousand knowledge graphs (KGs) under the W3C standard RDF, their rich semantic information has not yet been fully leveraged in GNN-based recommender systems. To address this gap, we propose a comprehensive integration of RDF KGs with GNNs that utilizes both the topological information from RDF object properties and the content information from RDF datatype properties. Our main focus is an in-depth evaluation of various GNNs, analyzing how different semantic feature initializations and types of graph structure heterogeneity influence their performance in recommendation tasks. Through experiments across multiple recommendation scenarios involving multi-million-node RDF graphs, we demonstrate that harnessing the semantic richness of RDF KGs significantly improves recommender systems and lays the groundwork for GNN-based recommender systems for the Linked Open Data cloud. The code and data are available on our GitHub repository: https://github.com/davidlamprecht/rdf-gnn-recommendation
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リコメンダシステムの分野を大幅に進歩させてきた。 しかしながら、W3C標準RDFの下で1000以上の知識グラフ(KG)が作成されているにもかかわらず、それらのリッチなセマンティック情報は、まだGNNベースのレコメンダシステムでは十分に活用されていない。 このギャップに対処するために,RDFオブジェクトのトポロジ情報とRDFデータ型プロパティのコンテンツ情報の両方を利用するGNNとRDF KGの総合的な統合を提案する。 我々の主な焦点は、様々なGNNの詳細な評価であり、セマンティックな特徴の初期化とグラフ構造のタイプが、レコメンデーションタスクにおけるそれらのパフォーマンスにどのように影響するかを分析することである。 数百万ノードのRDFグラフを含む複数のレコメンデーションシナリオの実験を通じて、RDF KGのセマンティックリッチ性を活用することで、レコメンデーターシステムを大幅に改善し、Linked Open DataクラウドのためのGNNベースのレコメンデーターシステムの基盤となることを実証した。 コードとデータはGitHubリポジトリで入手可能です。

関連論文リスト

• A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph [14.12873271435375]
  グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションにおいて大きな成功を収めている。 本稿では,GNNをベースとしたレコメンデーションに対する新たな評価視点を提案し,グラフトポロジがレコメンデーション性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-08-21T16:34:53Z)
• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Dual Policy Learning for Aggregation Optimization in Graph Neural Network-based Recommender Systems [4.026354668375411]
  本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。 このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。 提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
  論文  参考訳（メタデータ） (2023-02-21T09:47:27Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Graph4Rec: A Universal Toolkit with Graph Neural Networks for Recommender Systems [5.030752995016985]
  Graph4RecはGNNモデルをトレーニングするためのパラダイムを統一する汎用ツールキットである。 我々は、異なるGNNモデルの性能を比較するために、体系的で包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-12-02T07:56:13Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  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。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Graph Neural Networks in Recommender Systems: A Survey [21.438347815928918]
  推薦システムでは、インタラクションとサイド情報から効果的なユーザ/イテム表現を学習することが主な課題である。 近年,グラフニューラルネットワーク(GNN)技術はリコメンデータシステムで広く利用されている。 本稿は、GNNベースのレコメンデータシステムに関する最近の研究成果を包括的にレビューすることを目的としている。
  論文  参考訳（メタデータ） (2020-11-04T12:57:47Z)
• Hierarchical BiGraph Neural Network as Recommendation Systems [0.0]
  本稿では,GNNをレコメンデーションシステムとして使用し,ビグラフフレームワークを用いてユーザイテム機能を構築する階層的アプローチを提案する。 実験の結果,現在の推薦システム手法と伝達性との競合性能が示された。
  論文  参考訳（メタデータ） (2020-07-27T18:01:41Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。