論文の概要: RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2509.02942v1
• Date: Wed, 03 Sep 2025 02:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.387256
• Title: RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation
• Title（参考訳）: RankGraph: クロスドメインレコメンデーションのための統一された不均一グラフ学習
• Authors: Renzhi Wu, Junjie Yang, Li Chen, Hong Li, Li Yu, Hong Yan,
• Abstract要約: RankGraphはスケーラブルなグラフ学習フレームワークで、推奨基礎モデル(FM)のコアコンポーネントとして機能するよう設計されている。 我々のフレームワークはGPUで加速されたグラフニューラルネットワークとコントラスト学習を採用しており、サブグラフの動的抽出を可能にしている。 RankGraphは、オンラインA/Bテストにおけるクリック(+0.92%)とコンバージョンレート(+2.82%)の改善を実証している。
• 参考スコア（独自算出の注目度）: 26.878738892518427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation systems face the challenge of integrating fine-grained user and item relationships across various product domains. To address this, we introduce RankGraph, a scalable graph learning framework designed to serve as a core component in recommendation foundation models (FMs). By constructing and leveraging graphs composed of heterogeneous nodes and edges across multiple products, RankGraph enables the integration of complex relationships between users, posts, ads, and other entities. Our framework employs a GPU-accelerated Graph Neural Network and contrastive learning, allowing for dynamic extraction of subgraphs such as item-item and user-user graphs to support similarity-based retrieval and real-time clustering. Furthermore, RankGraph integrates graph-based pretrained representations as contextual tokens into FM sequence models, enriching them with structured relational knowledge. RankGraph has demonstrated improvements in click (+0.92%) and conversion rates (+2.82%) in online A/B tests, showcasing its effectiveness in cross-domain recommendation scenarios.
• Abstract（参考訳）: ドメイン間のレコメンデーションシステムは、さまざまなプロダクトドメインにまたがってきめ細かいユーザとアイテムの関係を統合するという課題に直面しています。 これを解決するために,推奨基礎モデル(FM)のコアコンポーネントとして機能するように設計されたスケーラブルなグラフ学習フレームワークであるRangeGraphを紹介した。 RankGraphは、複数のプロダクトにわたる異種ノードとエッジで構成されるグラフの構築と活用によって、ユーザ、ポスト、広告、その他のエンティティ間の複雑な関係の統合を可能にします。 提案フレームワークでは,GPUを高速化したグラフニューラルネットワークとコントラスト学習を用いて,アイテムテムやユーザグラフなどのサブグラフを動的に抽出し,類似性に基づく検索とリアルタイムクラスタリングをサポートする。 RankGraphは、コンテキストトークンとしてグラフベースの事前訓練された表現をFMシーケンスモデルに統合し、構造化された関係知識でそれらを豊かにする。 RankGraphは、オンラインA/Bテストにおけるクリック(+0.92%)とコンバージョンレート(+2.82%)の改善を示し、クロスドメインレコメンデーションシナリオでの有効性を示している。

関連論文リスト

• GRAIN: Exact Graph Reconstruction from Gradients [5.697251900862886]
  フェデレーション学習は、データプライバシを持つ複数のクライアント間で協調的なモデルトレーニングを可能にすると主張している。 最近の研究によると、クライアントのプライバシーは、いわゆるグラデーション・インバージョン・アタックによってまだ危険にさらされている。 本稿では,グラフデータに対する最初の厳密な勾配反転攻撃であるGRAINについて述べる。
  論文  参考訳（メタデータ） (2025-03-03T18:58:12Z)
• RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
  我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。 RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。 推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
  論文  参考訳（メタデータ） (2024-10-31T12:05:21Z)
• Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views [1.4445779250002606]
  本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。 複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
  論文  参考訳（メタデータ） (2023-08-19T17:42:02Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。