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

• Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
  我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。 特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。 その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-05T18:59:32Z)
• SAGE: Sequence-level Adaptive Gradient Evolution for Generative Recommendation [8.54123828673921]
  本稿では,リストワイド生成レコメンデーションに適した統一最適化フレームワークを提案する。 シーケンスレベルの信号デカップリング: 幾何平均的重要性比と分離された多目的の利点を組み合わせることにより、トークンレベルの分散を排除します。 非対称適応ダイナミクス: 超線形更新を実現するために、高強度冷間開始項目に「ブーストファクタ」を適用した動的勾配多様体を構築する。
  論文  参考訳（メタデータ） (2026-01-29T09:30:13Z)
• Learning Topology-Driven Multi-Subspace Fusion for Grassmannian Deep Network [31.003374497881968]
  グラスマン多様体は幾何学的表現学習のための強力なキャリアを提供する。 本稿では,グラスマン多様体上での適応的部分空間協調を実現するトポロジ駆動型多部分空間融合フレームワークを提案する。 我々の研究は幾何学的深層学習を推進し、ユークリッドネットワークの証明されたマルチチャネル相互作用の哲学を非ユークリッド領域に適用する。
  論文  参考訳（メタデータ） (2025-11-09T10:33:13Z)
• SKGE: Spherical Knowledge Graph Embedding with Geometric Regularization [0.0]
  SKGE(Spherical Knowledge Graph Embedding)は、実体表現をコンパクトな多様体(超球)に制約するモデルである。 我々は、SKGEが強いユークリッドのTransEよりも一貫して著しく優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-04T10:40:46Z)
• Multiview Manifold Evidential Fusion for PolSAR Image Classification [51.41332458376411]
  我々は,PolSAR多様体学習とエビデンス融合を統合アーキテクチャに統合する新しいフレームワークを提案する。 実世界の3つのPolSARデータセットの実験により、提案手法は、精度、堅牢性、解釈可能性において、既存のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-13T09:05:51Z)
• SMLNet: A SPD Manifold Learning Network for Infrared and Visible Image Fusion [60.18614468818683]
  マルチモーダル画像融合のための新しいSPD(対称正定値)多様体学習を提案する。 我々のフレームワークは現在の最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-16T03:09:49Z)
• 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)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• 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。