論文の概要: Beyond Interactions: Node-Level Graph Generation for Knowledge-Free Augmentation in Recommender Systems

• arxiv url: http://arxiv.org/abs/2507.20578v1
• Date: Mon, 28 Jul 2025 07:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.965478
• Title: Beyond Interactions: Node-Level Graph Generation for Knowledge-Free Augmentation in Recommender Systems
• Title（参考訳）: インタラクションを超えて: Recommenderシステムにおける知識のない拡張のためのノードレベルグラフ生成
• Authors: Zhaoyan Wang, Hyunjun Ahn, In-Young Ko,
• Abstract要約: 本研究は,詳細なノードレベルのグラフ生成をレコメンデーションに適用可能な,知識のない拡張フレームワークを提案する。 NodeDiffRecは擬似イテムとそれに対応するインジェクションの分布を合成することによって、外部の知識なしに、セマンティックな多様性と構造的な接続性の両方を劇的に向上させる。
• 参考スコア（独自算出の注目度）: 2.3759432635713895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in recommender systems rely on external resources such as knowledge graphs or large language models to enhance recommendations, which limit applicability in real-world settings due to data dependency and computational overhead. Although knowledge-free models are able to bolster recommendations by direct edge operations as well, the absence of augmentation primitives drives them to fall short in bridging semantic and structural gaps as high-quality paradigm substitutes. Unlike existing diffusion-based works that remodel user-item interactions, this work proposes NodeDiffRec, a pioneering knowledge-free augmentation framework that enables fine-grained node-level graph generation for recommendations and expands the scope of restricted augmentation primitives via diffusion. By synthesizing pseudo-items and corresponding interactions that align with the underlying distribution for injection, and further refining user preferences through a denoising preference modeling process, NodeDiffRec dramatically enhances both semantic diversity and structural connectivity without external knowledge. Extensive experiments across diverse datasets and recommendation algorithms demonstrate the superiority of NodeDiffRec, achieving State-of-the-Art (SOTA) performance, with maximum average performance improvement 98.6% in Recall@5 and 84.0% in NDCG@5 over selected baselines.
• Abstract（参考訳）: 近年のリコメンダシステムの進歩は、知識グラフや大規模言語モデルといった外部リソースに依存してレコメンデーションを強化している。 知識のないモデルは直接のエッジ操作によって推奨を補強することもできますが、拡張プリミティブが欠如しているため、高品質なパラダイム代替品として意味論と構造的ギャップが不足しています。 ユーザとイテムのインタラクションをモデル化する既存の拡散ベースのワークとは違って、この作業では、詳細なノードレベルのグラフ生成が可能な知識のない拡張フレームワークであるNodeDiffRecを提案し、拡散を通じて制限された拡張プリミティブの範囲を広げる。 NodeDiffRecは、擬似イテムとそれに対応するインタラクションを、インジェクションの基盤となる分布に合わせて合成し、さらにユーザの好みをデノナイズする選好モデリングプロセスを通じて洗練することにより、外部知識なしに、セマンティックな多様性と構造的な接続性の両方を劇的に向上させる。 さまざまなデータセットとレコメンデーションアルゴリズムにわたる大規模な実験は、NodeDiffRecの優位性を示し、ステート・オブ・ザ・アーツ(SOTA)のパフォーマンスを達成し、最大平均パフォーマンスはRecall@5で98.6%、NDCG@5で84.0%向上した。

関連論文リスト

• Heterogeneous User Modeling for LLM-based Recommendation [70.52873882470328]
  オープンドメインレコメンデーションを進める上で重要な課題は、ユーザの不均一な振る舞いからユーザの好みを効果的にモデル化することだ。 IDベースやセマンティックベースモデリングなど、既存のアプローチでは、一般化の貧弱さに悩まされている。 圧縮エンハンサーとロバストネスエンハンサーを組み込んだヘテロジニアス・ユーザ・モデリング(HUM)手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T03:08:28Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Diffusion-augmented Graph Contrastive Learning for Collaborative Filter [5.6604917723826365]
  グラフベースの協調フィルタリングはレコメンデーションシステムにおいて顕著なアプローチとして確立されている。 グラフコントラスト学習の最近の進歩は、データの分散問題を緩和する有望な可能性を示している。 本稿では,DGCL(Diffusion-augmented Contrastive Learning)による協調フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T16:15:20Z)
• Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [26.331324261505486]
  Sequential Recommendation (SR) は、ユーザの過去のインタラクションにおけるシーケンシャルなパターンを活用して、ユーザの好みを正確に追跡することを目的としている。 大規模言語モデル(LLM)の有効性が証明されているにもかかわらず、商用レコメンデータシステムへの統合は妨げられている。 我々は,LLMを用いたSRモデルを強化するために,新しいPri-train,Align,Disentangle(PAD)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-05T12:17:56Z)
• Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation [0.0]
  Diffusionは、従来のジェネレーティブAIアプローチを改善した、ジェネレーティブAIの新しいアプローチである。 我々は,閲覧や評価項目のシーケンスを反映したレコメンデーションシステムに拡散を取り入れた。
  論文  参考訳（メタデータ） (2024-09-16T17:27:27Z)
• Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
  拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
  論文  参考訳（メタデータ） (2024-08-30T09:10:38Z)
• Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
  本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。 提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2023-05-08T10:57:56Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)

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。