論文の概要: On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective

• arxiv url: http://arxiv.org/abs/2512.07384v1
• Date: Mon, 08 Dec 2025 10:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.833124
• Title: On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective
• Title（参考訳）: レコメンダシステムにおけるグラフニューラルネットワークの影響について:トポロジカル視点
• Authors: Daniele Malitesta, Claudio Pomo, Vito Walter Anelli, Alberto Carlo Maria Mancino, Alejandro Bellogín, Tommaso Di Noia,
• Abstract要約: レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。 実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
• 参考スコア（独自算出の注目度）: 49.391877616394765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recommender systems, user-item interactions can be modeled as a bipartite graph, where user and item nodes are connected by undirected edges. This graph-based view has motivated the rapid adoption of graph neural networks (GNNs), which often outperform collaborative filtering (CF) methods such as latent factor models, deep neural networks, and generative strategies. Yet, despite their empirical success, the reasons why GNNs offer systematic advantages over other CF approaches remain only partially understood. This monograph advances a topology-centered perspective on GNN-based recommendation. We argue that a comprehensive understanding of these models' performance should consider the structural properties of user-item graphs and their interaction with GNN architectural design. To support this view, we introduce a formal taxonomy that distills common modeling patterns across eleven representative GNN-based recommendation approaches and consolidates them into a unified conceptual pipeline. We further formalize thirteen classical and topological characteristics of recommendation datasets and reinterpret them through the lens of graph machine learning. Using these definitions, we analyze the considered GNN-based recommender architectures to assess how and to what extent they encode such properties. Building on this analysis, we derive an explanatory framework that links measurable dataset characteristics to model behavior and performance. Taken together, this monograph re-frames GNN-based recommendation through its topological underpinnings and outlines open theoretical, data-centric, and evaluation challenges for the next generation of topology-aware recommender systems.
• Abstract（参考訳）: レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフベースのビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けており、潜在因子モデルやディープニューラルネットワーク、生成戦略などの協調フィルタリング(CF)手法よりも優れていることが多い。 しかし、その実証的な成功にもかかわらず、GNNが他のCFアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。 このモノグラフは、GNNベースのレコメンデーションに関するトポロジー中心の視点を推し進めている。 我々は,これらのモデルの性能を包括的に理解するには,ユーザ・イテムグラフの構造特性と,GNNアーキテクチャ設計との相互作用を考慮する必要があると論じる。 この見解を支持するために、我々はGNNをベースとした11の推奨手法から共通モデリングパターンを抽出し、それらを統一された概念的パイプラインに統合する形式的な分類法を導入する。 さらに、推奨データセットの古典的・位相的特徴13点を定式化し、グラフ機械学習のレンズを通して再解釈する。 これらの定義を用いて、検討されたGNNベースのレコメンデータアーキテクチャを解析し、それらの特性がどのようにして、どの程度までエンコードされているかを評価する。 この分析に基づいて、測定可能なデータセット特性とモデル挙動と性能をリンクする説明的枠組みを導出する。 まとめると、このモノグラフはGNNベースの推薦をそのトポロジカル基盤を通じて再編成し、次世代のトポロジ対応レコメンデータシステムのためのオープンな理論、データ中心、評価の課題を概説する。

関連論文リスト

• Unveiling Mode Connectivity in Graph Neural Networks [30.854487554682628]
  本研究は,グラフニューラルネットワーク(GNN)におけるモード接続性の最初の研究である。 我々は、GNNが完全に接続されたネットワークやCNNで観測されるパターンから逸脱して、非線形な接続性を示すことを明らかにした。 我々は、モード接続性と一般化のリンクを確立し、損失障壁に基づく一般化を提案し、診断ツールとしての有用性を明らかにする。
  論文  参考訳（メタデータ） (2025-02-18T07:46:10Z)
• A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph [14.12873271435375]
  グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションにおいて大きな成功を収めている。 本稿では,GNNをベースとしたレコメンデーションに対する新たな評価視点を提案し,グラフトポロジがレコメンデーション性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-08-21T16:34:53Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2023-06-02T23:36:49Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Hierarchical BiGraph Neural Network as Recommendation Systems [0.0]
  本稿では,GNNをレコメンデーションシステムとして使用し,ビグラフフレームワークを用いてユーザイテム機能を構築する階層的アプローチを提案する。 実験の結果,現在の推薦システム手法と伝達性との競合性能が示された。
  論文  参考訳（メタデータ） (2020-07-27T18:01:41Z)

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。