論文の概要: Task-Aware Retrieval Augmentation for Dynamic Recommendation

• arxiv url: http://arxiv.org/abs/2511.12495v1
• Date: Sun, 16 Nov 2025 08:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.277207
• Title: Task-Aware Retrieval Augmentation for Dynamic Recommendation
• Title（参考訳）: 動的レコメンデーションのためのタスク対応検索強化
• Authors: Zhen Tao, Xinke Jiang, Qingshuai Feng, Haoyu Zhang, Lun Du, Yuchen Fang, Hao Miao, Bangquan Xie, Qingqiang Sun,
• Abstract要約: TarDGRは、一般化能力を高めるために設計されたタスク対応検索拡張フレームワークである。 意味的に関連する歴史的な部分グラフを識別し、手動のラベル付けなしでタスク固有のデータセットを構築することができる。 複数の大規模動的グラフデータセットの実験は、TarDGRが常に最先端の手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 30.33604295626554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic recommendation systems aim to provide personalized suggestions by modeling temporal user-item interactions across time-series behavioral data. Recent studies have leveraged pre-trained dynamic graph neural networks (GNNs) to learn user-item representations over temporal snapshot graphs. However, fine-tuning GNNs on these graphs often results in generalization issues due to temporal discrepancies between pre-training and fine-tuning stages, limiting the model's ability to capture evolving user preferences. To address this, we propose TarDGR, a task-aware retrieval-augmented framework designed to enhance generalization capability by incorporating task-aware model and retrieval-augmentation. Specifically, TarDGR introduces a Task-Aware Evaluation Mechanism to identify semantically relevant historical subgraphs, enabling the construction of task-specific datasets without manual labeling. It also presents a Graph Transformer-based Task-Aware Model that integrates semantic and structural encodings to assess subgraph relevance. During inference, TarDGR retrieves and fuses task-aware subgraphs with the query subgraph, enriching its representation and mitigating temporal generalization issues. Experiments on multiple large-scale dynamic graph datasets demonstrate that TarDGR consistently outperforms state-of-the-art methods, with extensive empirical evidence underscoring its superior accuracy and generalization capabilities.
• Abstract（参考訳）: 動的レコメンデーションシステムは,時系列行動データ間での時間的ユーザ・イテム相互作用をモデル化し,パーソナライズされた提案を提供することを目的としている。 近年の研究では、動的グラフニューラルネットワーク(GNN)を活用して、時間的スナップショットグラフ上のユーザ-イテム表現を学習している。 しかし、これらのグラフ上の微調整のGNNは、事前学習と微調整の段階の時間的相違による一般化の問題が生じ、モデルの進化するユーザの好みを捉える能力が制限される。 そこで本研究では,タスク認識モデルと検索拡張を組み込んだタスク認識検索拡張フレームワークであるTarDGRを提案する。 特に、TarDGRは、意味的に関連する歴史的なサブグラフを識別するためのタスク認識評価メカニズムを導入し、手動のラベル付けなしでタスク固有のデータセットを構築することができる。 また、グラフトランスフォーマーベースのタスク認識モデルも提供し、セマンティックエンコーディングと構造エンコーディングを統合して、サブグラフの関連性を評価する。 推論中、TarDGRはタスク対応のサブグラフを検索サブグラフと融合し、その表現を豊かにし、時間的一般化問題を緩和する。 複数の大規模動的グラフデータセットの実験は、TarDGRが常に最先端の手法よりも優れており、その優れた精度と一般化能力を裏付ける広範な実証的な証拠があることを示している。

関連論文リスト

• ScaDyG:A New Paradigm for Large-scale Dynamic Graph Learning [31.629956388962814]
  ScaDyGは動的グラフネットワークのためのタイムアウェアなスケーラブルな学習パラダイムである。 12のデータセットの実験では、ScaDyGは、ノードレベルとリンクレベルの両方の下流タスクにおいて、互換性のあるパフォーマンス、あるいは他のSOTAメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-01-27T12:39:16Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• 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)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Dynamic Sequential Graph Learning for Click-Through Rate Prediction [29.756257920214168]
  本稿では,ユーザやアイテムに関連付けられたローカルサブグラフからの協調情報を活用することで,ユーザの表現を向上する新しい手法を提案する。 実世界のCTR予測ベンチマークの結果は、DSGLによってもたらされた改善を実証している。
  論文  参考訳（メタデータ） (2021-09-26T09:23:43Z)

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。