論文の概要: A Three-stage Neuro-symbolic Recommendation Pipeline for Cultural Heritage Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2602.19711v1
- Date: Mon, 23 Feb 2026 11:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.780774
- Title: A Three-stage Neuro-symbolic Recommendation Pipeline for Cultural Heritage Knowledge Graphs
- Title（参考訳）: 文化遺産知識グラフのための3段階的ニューロシンボリックレコメンデーションパイプライン
- Authors: Krzysztof Kutt, Elżbieta Sroka, Oleksandra Ishchuk, Luiz do Valle Miranda,
- Abstract要約: 本稿では,ハイブリッドレコメンデーションパイプラインを実装するための完全な方法論を提案する。
知識グラフの埋め込み、近傍のほぼ探索、SPARQLによるセマンティックフィルタリングを統合している。
このアプローチは有用で説明可能なレコメンデーションを生み出し、専門家の評価で証明された。
- 参考スコア（独自算出の注目度）: 13.929201000078406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing volume of digital cultural heritage resources highlights the need for advanced recommendation methods capable of interpreting semantic relationships between heterogeneous data entities. This paper presents a complete methodology for implementing a hybrid recommendation pipeline integrating knowledge-graph embeddings, approximate nearest-neighbour search, and SPARQL-driven semantic filtering. The work is evaluated on the JUHMP (Jagiellonian University Heritage Metadata Portal) knowledge graph developed within the CHExRISH project, which at the time of experimentation contained ${\approx}3.2$M RDF triples describing people, events, objects, and historical relations affiliated with the Jagiellonian University (Kraków, PL). We evaluate four embedding families (TransE, ComplEx, ConvE, CompGCN) and perform hyperparameter selection for ComplEx and HNSW. Then, we present and evaluate the final three-stage neuro-symbolic recommender. Despite sparse and heterogeneous metadata, the approach produces useful and explainable recommendations, which were also proven with expert evaluation.
- Abstract（参考訳）: デジタル文化遺産資源の増大は、異種データエンティティ間の意味的関係を解釈できる高度なレコメンデーション手法の必要性を浮き彫りにしている。
本稿では,知識グラフの埋め込み,近傍近傍探索,SPARQLによるセマンティックフィルタリングを併用したハイブリッドレコメンデーションパイプラインの実装手法を提案する。
この研究は、CHExRISHプロジェクト内で開発されたJUHMP(Jagiellonian University Heritage Metadata Portal)知識グラフで評価され、このグラフには、ジャギロニア大学(Kraków, PL)に属する人々、イベント、オブジェクト、歴史的関係を記述した${\approx}3.2$MのRDFトリプルが含まれている。
組込みファミリ(TransE, ComplEx, ConvE, CompGCN)を評価し, ComplEx と HNSW のハイパーパラメータ選択を行う。
そして,最後の3段階のニューロシンボリック・レコメンデーターを提示し,評価した。
スパースで異質なメタデータにもかかわらず、このアプローチは有用で説明可能なレコメンデーションを生み出し、専門家の評価でも証明された。
関連論文リスト
- Tuning-Free LLM Can Build A Strong Recommender Under Sparse Connectivity And Knowledge Gap Via Extracting Intent [6.6404452803956495]
IKGRは意図中心の知識グラフを構築する新しいフレームワークである。
IKGRは、ユーザーが求めるもの、アイテムが満足するものを第一級エンティティとして表現する。
パブリックデータセットとエンタープライズデータセットの実験は、IKGRが一貫して強力なベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2025-05-16T06:07:19Z) - MUSE: Integrating Multi-Knowledge for Knowledge Graph Completion [0.0]
知識グラフ補完(KGC)は、欠落した(リレーション)部分(ヘッドエンティティ)--(リレーション]->(テールエンティティ)三重項を予測することを目的としている。
既存のKGCメソッドのほとんどは、単一の特徴(例えば、関係型)やサブグラフアグリゲーションに焦点を当てている。
本稿では,知識認識型推論モデル(MUSE)を提案する。
論文 参考訳（メタデータ） (2024-09-26T04:48:20Z) - Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation [51.47994645529258]
Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。
本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
論文 参考訳（メタデータ） (2024-06-19T21:40:35Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳（メタデータ） (2024-01-28T08:56:49Z) - Consistency Guided Knowledge Retrieval and Denoising in LLMs for
Zero-shot Document-level Relation Triplet Extraction [43.50683283748675]
文書レベルの関係トリプルト抽出(DocRTE)は、文書から意味的関係を持つエンティティを同時に抽出することを目的とした情報システムの基本課題である。
既存の手法は、かなりの量の完全なラベル付きデータに依存している。
ChatGPTやLLaMAのような最近の先進言語モデル(LLM)は、素晴らしい長文生成能力を示している。
論文 参考訳（メタデータ） (2024-01-24T17:04:28Z) - Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion [24.57087752710105]
KGコンプリートは,いくつかのトレーニングトレーレットのみを参考にした場合に,新しい関係を含む三つ組の予測を行うことを目的としている。
数ショットのKG完了のための階層的関係学習法(HiRe)を提案する。
論文 参考訳（メタデータ） (2022-09-02T17:57:03Z) - From Discrimination to Generation: Knowledge Graph Completion with
Generative Transformer [41.69537736842654]
我々は、知識グラフ補完を事前学習された言語モデルを用いて、シーケンスからシーケンスへ変換するGenKGCのアプローチを提案する。
本稿では,より優れた表現学習と高速推論を実現するために,関係誘導型実演と実体認識型階層デコーディングを導入する。
また、研究目的のために、新しい大規模中国の知識グラフデータセットAliopenKG500もリリースした。
論文 参考訳（メタデータ） (2022-02-04T12:52:32Z) - Integrating Semantics and Neighborhood Information with Graph-Driven
Generative Models for Document Retrieval [51.823187647843945]
本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。
この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
論文 参考訳（メタデータ） (2021-05-27T11:29:03Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳（メタデータ） (2021-05-13T14:50:45Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - Exploring and Evaluating Attributes, Values, and Structures for Entity
Alignment [100.19568734815732]
エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。
属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。
本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
論文 参考訳（メタデータ） (2020-10-07T08:03:58Z) - Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。
新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文 参考訳（メタデータ） (2020-03-25T22:53:14Z)
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。