論文の概要: Integrating Structure-Aware Attention and Knowledge Graphs in Explainable Recommendation Systems

• arxiv url: http://arxiv.org/abs/2510.10109v1
• Date: Sat, 11 Oct 2025 08:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.787565
• Title: Integrating Structure-Aware Attention and Knowledge Graphs in Explainable Recommendation Systems
• Title（参考訳）: 説明可能なレコメンデーションシステムにおける構造意識と知識グラフの統合
• Authors: Shuangquan Lyu, Ming Wang, Huajun Zhang, Jiasen Zheng, Junjiang Lin, Xiaoxuan Sun,
• Abstract要約: 本稿では,知識グラフと構造認識型アテンション機構を統合した,説明可能なレコメンデーションモデルを実装した。 このモデルはグラフニューラルネットワーク上に構築され、マルチホップ隣の集約戦略が組み込まれている。 Amazon Booksデータセットで実施された実験は、提案したモデルの優れた性能を検証する。
• 参考スコア（独自算出の注目度）: 2.620825811168925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper designs and implements an explainable recommendation model that integrates knowledge graphs with structure-aware attention mechanisms. The model is built on graph neural networks and incorporates a multi-hop neighbor aggregation strategy. By integrating the structural information of knowledge graphs and dynamically assigning importance to different neighbors through an attention mechanism, the model enhances its ability to capture implicit preference relationships. In the proposed method, users and items are embedded into a unified graph structure. Multi-level semantic paths are constructed based on entities and relations in the knowledge graph to extract richer contextual information. During the rating prediction phase, recommendations are generated through the interaction between user and target item representations. The model is optimized using a binary cross-entropy loss function. Experiments conducted on the Amazon Books dataset validate the superior performance of the proposed model across various evaluation metrics. The model also shows good convergence and stability. These results further demonstrate the effectiveness and practicality of structure-aware attention mechanisms in knowledge graph-enhanced recommendation.
• Abstract（参考訳）: 本稿では,知識グラフと構造認識型アテンション機構を統合した,説明可能なレコメンデーションモデルの設計と実装を行う。 このモデルはグラフニューラルネットワーク上に構築され、マルチホップ隣の集約戦略が組み込まれている。 知識グラフの構造情報を統合し、注意機構を通じて異なる隣人に動的に重要度を割り当てることにより、モデルは暗黙の嗜好関係を捉える能力を高める。 提案手法では,ユーザとアイテムを統一的なグラフ構造に組み込む。 多レベルセマンティックパスは知識グラフのエンティティと関係に基づいて構築され、よりリッチな文脈情報を取り出す。 評価予測フェーズでは、ユーザと対象アイテムの対話を通じてレコメンデーションを生成する。 モデルは二進的クロスエントロピー損失関数を用いて最適化される。 Amazon Booksデータセットで実施された実験は、様々な評価指標で提案されたモデルの優れた性能を検証する。 モデルはまた、優れた収束と安定性を示す。 これらの結果は,知識グラフ強化レコメンデーションにおける構造認識注意機構の有効性と実用性をさらに示すものである。

関連論文リスト

• Semantic Item Graph Enhancement for Multimodal Recommendation [49.66272783945571]
  マルチモーダルレコメンデーションシステムは、商品のマルチモーダル情報を活用することで、パフォーマンスの向上に注目が集まっている。 先行する手法は、しばしばモダリティ固有のアイテム・イテム意味グラフを生のモダリティの特徴から構築する。 これらのセマンティックグラフは、アイテム間の協調信号のモデリングが不十分ななど、セマンティックな欠陥に悩まされている。
  論文  参考訳（メタデータ） (2025-08-08T09:20:50Z)
• Graph Collaborative Attention Network for Link Prediction in Knowledge Graphs [0.0]
  我々は、マルチヘッドの注意を生かしたグラフニューラルネットワークモデルKBGATに着目し、局所的な近傍構造における実体的特徴と関係性の両方を共同で符号化する。 textbfGCAT(Graph Collaborative Attention Network)は,異種ノード間のコンテキストアグリゲーションとインタラクションを強化する改良されたモデルである。 本研究は,知識グラフ補完タスクにおいて,複雑なリレーショナルパターンをキャプチャする上で,注目に基づくアーキテクチャの利点を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2025-07-05T08:13:09Z)
• Graph-Aware Isomorphic Attention for Adaptive Dynamics in Transformers [0.0]
  変換器の注意機構をグラフ演算として再構成する。 スパース GIN-Attention はスパース GIN を用いた微調整手法である。
  論文  参考訳（メタデータ） (2025-01-04T22:30:21Z)
• Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
  本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。 本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
  論文  参考訳（メタデータ） (2024-06-13T00:18:20Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。