論文の概要: Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2602.21099v1
• Date: Tue, 24 Feb 2026 17:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.850059
• Title: Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering
• Title（参考訳）: 意味論をトポロジーに変える: 協調フィルタリングのためのLCM駆動属性拡張
• Authors: Junjie Meng, Ranxu zhang, Wei Wu, Rui Zhang, Chuan Qin, Qi Zhang, Qi Liu, Hui Xiong, Chao Wang,
• Abstract要約: Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。 この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
• 参考スコア（独自算出の注目度）: 27.20519975467197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown great potential for enhancing recommender systems through their extensive world knowledge and reasoning capabilities. However, effectively translating these semantic signals into traditional collaborative embeddings remains an open challenge. Existing approaches typically fall into two extremes: direct inference methods are computationally prohibitive for large-scale retrieval, while embedding-based methods primarily focus on unilateral feature augmentation rather than holistic collaborative signal enhancement. To bridge this gap, we propose Topology-Augmented Graph Collaborative Filtering (TAGCF), a novel framework that transforms semantic knowledge into topological connectivity. Unlike existing approaches that depend on textual features or direct interaction synthesis, TAGCF employs LLMs to infer interaction intents and underlying causal relationships from user-item pairs, representing these insights as intermediate attribute nodes within an enriched User-Attribute-Item (U-A-I) graph. Furthermore, to effectively model the heterogeneous relations in this augmented structure, we propose Adaptive Relation-weighted Graph Convolution (ARGC), which employs relation-specific prediction networks to dynamically estimate the importance of each relation type. Extensive experiments across multiple benchmark datasets and CF backbones demonstrate consistent improvements, with comprehensive evaluations including cold-start scenarios validating the effectiveness and robustness of our framework. All code will be made publicly available. For anonymous review, our code is available at the following anonymous link: https://anonymous.4open.science/r/AGCF-2441353190/.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、幅広い世界の知識と推論能力を通じてレコメンデーションシステムを強化する大きな可能性を示している。 しかし、これらの意味的信号を従来の協調的な埋め込みに効果的に翻訳することは、未解決の課題である。 直接推論法は大規模検索では計算が禁じられているが、埋め込みベースの手法は概して協調的な信号拡張ではなく、一方的な特徴増強に重点を置いている。 このギャップを埋めるために、意味的知識をトポロジ的接続に変換する新しいフレームワークであるTopology-Augmented Graph Collaborative Filtering (TAGCF)を提案する。 テキストの特徴や直接の相互作用合成に依存する既存のアプローチとは異なり、TAGCFはLLMを使ってユーザとイテムのペアから相互作用の意図や根底にある因果関係を推論し、これらの洞察をリッチなUser-Attribute-Item (U-A-I)グラフ内の中間属性ノードとして表現している。 さらに, この拡張構造における異種関係を効果的にモデル化するために, 各関係型の重要性を動的に推定するために, 関係固有予測ネットワークを用いた適応関係重み付きグラフ畳み込み(ARGC)を提案する。 複数のベンチマークデータセットとCFバックボーンにわたる大規模な実験は、フレームワークの有効性と堅牢性を検証するコールドスタートシナリオを含む包括的な評価を含む、一貫した改善を示している。 すべてのコードは公開されます。 匿名レビューのために、我々のコードは以下の匿名リンクで利用可能である。

関連論文リスト

• Enhancing Knowledge Graph Completion with GNN Distillation and Probabilistic Interaction Modeling [14.550518793230404]
  知識グラフは、様々な領域にまたがる相互接続データを整理するための基本的な構造として機能する。 ディープグラフニューラルネットワーク(GNN)は過度にスムースに苦しむ一方で、埋め込みベースのモデルは抽象的リレーショナルな特徴を捉えることができない。 本稿では,GNN蒸留と抽象確率的相互作用モデリング(APIM)を統合した統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-18T07:22:53Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。