論文の概要: SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation

• arxiv url: http://arxiv.org/abs/2509.11094v1
• Date: Sun, 14 Sep 2025 05:12:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.914858
• Title: SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation
• Title（参考訳）: SPARK: 推薦のためのハイブリッド幾何学空間における適応型低ランク知識グラフモデリング
• Authors: Binhao Wang, Yutian Xiao, Maolin Wang, Zhiqi Li, Tianshuo Wei, Ruocheng Guo, Xiangyu Zhao,
• Abstract要約: 本稿では,知識グラフにおける表現学習のための新しい多段階フレームワークであるSPARKを紹介する。 SPARKはまずタッカー低ランク分解を用いてKGを分解し、堅牢な実体表現を生成する。 SVD-dハイブリッド幾何GNNはユークリッド空間と双曲空間の表現を同時に学習する。 コアコントリビューションは、アイテムの人気を意識したアダプティブフュージョン戦略である。
• 参考スコア（独自算出の注目度）: 22.905029845863865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs) enhance recommender systems but face challenges from inherent noise, sparsity, and Euclidean geometry's inadequacy for complex relational structures, critically impairing representation learning, especially for long-tail entities. Existing methods also often lack adaptive multi-source signal fusion tailored to item popularity. This paper introduces SPARK, a novel multi-stage framework systematically tackling these issues. SPARK first employs Tucker low-rank decomposition to denoise KGs and generate robust entity representations. Subsequently, an SVD-initialized hybrid geometric GNN concurrently learns representations in Euclidean and Hyperbolic spaces; the latter is strategically leveraged for its aptitude in modeling hierarchical structures, effectively capturing semantic features of sparse, long-tail items. A core contribution is an item popularity-aware adaptive fusion strategy that dynamically weights signals from collaborative filtering, refined KG embeddings, and diverse geometric spaces for precise modeling of both mainstream and long-tail items. Finally, contrastive learning aligns these multi-source representations. Extensive experiments demonstrate SPARK's significant superiority over state-of-the-art methods, particularly in improving long-tail item recommendation, offering a robust, principled approach to knowledge-enhanced recommendation. Implementation code is available at https://github.com/Applied-Machine-Learning-Lab/SPARK.
• Abstract（参考訳）: 知識グラフ(KGs)はレコメンデーターシステムを強化するが、固有ノイズ、疎度、ユークリッド幾何学の複雑な関係構造、特にロングテールエンティティの表現学習の障害に直面する。 既存の方法は、アイテムの人気に合わせた適応的なマルチソース信号融合を欠いていることが多い。 本稿では,これらの問題を体系的に扱う新しい多段階フレームワークであるSPARKを紹介する。 SPARKはまずタッカー低ランク分解を用いてKGを分解し、堅牢な実体表現を生成する。 その後、SVDで初期化されたハイブリッド幾何GNNはユークリッド空間と双曲空間の表現を同時に学習し、後者は階層構造をモデル化し、スパース、ロングテールアイテムの意味的特徴を効果的に捉えるために戦略的に活用される。 コアコントリビューションは、コラボレーティブフィルタリング、洗練されたKG埋め込み、およびメインストリームとロングテールの両方のアイテムの正確なモデリングのための多様な幾何学空間からの信号を動的に重み付けする、アイテムの人気を意識した適応型融合戦略である。 最後に、対照的な学習はこれらのマルチソース表現を整列させる。 大規模な実験は、SPARKが最先端の手法よりも顕著に優れていることを示し、特にロングテールアイテムレコメンデーションを改善し、知識強化レコメンデーションに対する堅牢で原則化されたアプローチを提供する。 実装コードはhttps://github.com/Applied-Machine-Learning-Lab/SPARKで公開されている。

関連論文リスト

• Beyond the Kolmogorov Barrier: A Learnable Weighted Hybrid Autoencoder for Model Order Reduction [0.8021197489470758]
  我々は,コルモゴロフ障壁を克服するために,学習可能な重み付きハイブリッドオートエンコーダを提案する。 トレーニングされたモデルは、他のモデルに比べて何千倍もシャープさが小さいことを実証的に見出した。
  論文  参考訳（メタデータ） (2024-10-23T00:04:26Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation [35.20583774988951]
  知識に基づく多重適応空間融合法(MCKG)を提案する。 特定の多様体のみを採用する既存の方法とは異なり、双曲的、ユークリッド的、球面的空間と互換性のある統一空間を導入する。 さらに,双曲空間と球面空間の両方から得られるプル・アンド・プッシュ処理を可能にする幾何対応最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T12:11:16Z)
• Are Message Passing Neural Networks Really Helpful for Knowledge Graph Completion? [49.858038034580005]
  単純なモデルでMPNNに匹敵する性能が得られることを示す。 評価関数と損失関数の設計がKGCモデルの性能に強い影響を与えることを示す。
  論文  参考訳（メタデータ） (2022-05-21T18:14:52Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。