論文の概要: DCGL: Dual-Channel Graph Learning with Large Language Models for Knowledge-Aware Recommendation
- arxiv url: http://arxiv.org/abs/2605.07314v1
- Date: Fri, 08 May 2026 06:23:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.852511
- Title: DCGL: Dual-Channel Graph Learning with Large Language Models for Knowledge-Aware Recommendation
- Title（参考訳）: DCGL: 知識認識推薦のための大規模言語モデルによるデュアルチャネルグラフ学習
- Authors: Xinchi Zou, Tongzhenzhi Su, Jianjun Li, Yuan Fu, Chang Liu, Zhiying Deng, Zhiwei Shen,
- Abstract要約: 本稿では,3つの重要なイノベーションを特徴とするDual-Channel Graph Learning(DCGL)フレームワークを提案する。
DCGLは一貫して最先端のメソッドより優れており、スパースシナリオを大幅に改善している。
- 参考スコア（独自算出の注目度）: 15.461703772035415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graphs (KGs) have proven highly effective for recommendation systems by capturing latent item relationships, while recent integration of Large Language Models (LLMs) has further enhanced semantic understanding and addressed knowledge sparsity issues. Nevertheless, current KG-and-LLM-based methods still face three main limitations: 1) inadequate modeling of implicit semantic relationships beyond explicit KG links; 2) suboptimal single-channel fusion of ID and LLM embeddings, which often leads to signal interference and blurred representations; and 3) insufficient consideration of user-item interaction frequency variations in recommendation strategies. To address these challenges, we propose the Dual-Channel Graph Learning (DCGL) framework, featuring three key innovations: 1) a dual-channel architecture that structurally decouples rich semantic information from user behavioral patterns, preventing early interference; 2) a multi-level contrastive learning mechanism that enhances robustness against KG noise through intra-view contrasts and bridges semantic gaps between channels via inter-view alignment; and 3) a dynamic fusion mechanism that adaptively balances semantic generalization and behavioral specificity based on interaction frequency, resolving the cascading limitation. Extensive experiments on four real-world datasets show that DCGL consistently outperforms state-of-the-art methods, yielding substantial improvements in sparse scenarios while maintaining precision for active users. Our code is available at https://github.com/XinchiZou/DCGL.
- Abstract（参考訳）: 近年,Large Language Models (LLMs) の統合により意味理解が向上し,知識疎結合の問題に対処している。
しかしながら、現在のKG-and-LLMベースのメソッドは、以下の3つの大きな制限に直面している。
1) 明示的KGリンクを超える暗黙的意味関係の不十分なモデリング
2) ID と LLM の準最適単一チャネル融合は、しばしば信号干渉やぼやけた表現につながる。
3)レコメンデーション戦略におけるユーザ・イテム間相互作用周波数変動の考察は不十分であった。
これらの課題に対処するために、Dual-Channel Graph Learning (DCGL)フレームワークを提案する。
1) ユーザ行動パターンからリッチな意味情報を分離し,早期の干渉を防止する二重チャネルアーキテクチャ
2 視点内コントラストによるKGノイズに対する堅牢性を高め、視点間アライメントによるチャンネル間のセマンティックギャップを橋渡しする多段階コントラスト学習機構
3) 相互作用周波数に基づいて意味的一般化と行動特異性を適応的にバランスさせ, カスケード制限を解消する動的融合機構。
実世界の4つのデータセットに対する大規模な実験によると、DCGLは一貫して最先端の手法より優れており、アクティブなユーザの精度を維持しながらスパースシナリオを大幅に改善している。
私たちのコードはhttps://github.com/XinchiZou/DCGLで公開されています。
関連論文リスト
- RaDAR: Relation-aware Diffusion-Asymmetric Graph Contrastive Learning for Recommendation [12.682517297917828]
RaDARは,グローバルな構造を捉えるグラフ生成モデルと,ノイズの多いエッジを洗練するための関係認識型認知モデルを組み合わせた,新しいフレームワークである。
RaDARは、特にノイズやスパース条件下で、最先端の手法を一貫して上回る。
論文 参考訳（メタデータ） (2026-03-17T17:05:23Z) - GAP-Net: Calibrating User Intent via Gated Adaptive Progressive Learning for CTR Prediction [0.6372261626436676]
GAP-Netは、マイクロレベルの機能からマクロレベルのビューまで、情報を段階的に洗練する"トリプルゲーティング"アーキテクチャを確立する統一フレームワークである。
最先端のベースラインよりも大幅に改善され、相互作用ノイズや意図の漂流に対して優れた堅牢性を示す。
論文 参考訳（メタデータ） (2026-01-12T15:01:12Z) - 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) - DART: Dual Adaptive Refinement Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
Open-Vocabulary Multi-Label Recognition (OV-MLR)は、画像内の複数の見えないオブジェクトカテゴリを識別することを目的としている。
ビジョンランゲージ事前学習モデルは強力なオープン語彙基盤を提供するが、弱い監督下では微粒な局所化に苦慮する。
本稿では,これらの制約を克服するためのDART(Dual Adaptive Refinement Transfer)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-07T17:22:33Z) - Knowledge Fusion via Bidirectional Information Aggregation [20.309309990375134]
知識グラフ(KG)はセマンティックウェブの基盤であり、現実世界の実体と関係の最新の表現を提供する。
大規模言語モデル(LLM)は、事前トレーニング後にほとんど静的のままであり、内部知識は時代遅れになり、時間に敏感なWebアプリケーションでは実用性が制限される。
我々は,外部KGをパラメータ修正なしに,推論時にのみ外部KGをLLMに動的に統合する新しいフレームワークKGAを紹介する。
論文 参考訳（メタデータ） (2025-07-11T15:57:37Z) - MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。
MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-06-29T06:41:00Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。
大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。
我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
論文 参考訳（メタデータ） (2025-05-15T03:22:03Z) - EAGER-LLM: Enhancing Large Language Models as Recommenders through Exogenous Behavior-Semantic Integration [60.47645731801866]
大規模言語モデル(LLM)は、高度なレコメンデータシステムの基本バックボーンとしてますます活用されている。
LLMは事前訓練された言語意味論であるが、llm-Backboneを通してゼロから協調意味論を学ぶ。
内因性行動情報と内因性行動情報とを非侵襲的に統合するデコーダのみの生成推薦フレームワークであるEAGER-LLMを提案する。
論文 参考訳（メタデータ） (2025-02-20T17:01:57Z) - ADKGD: Anomaly Detection in Knowledge Graphs with Dual-Channel Training [38.3788247358102]
本稿では、二重チャネル学習(ADKGD)を用いた知識グラフにおける異常検出アルゴリズムを提案する。
両チャネル間のスコアリング関数の精度を向上させるために,KL(Kullback-leibler)-loss成分を導入する。
実験の結果,ADKGDは最先端の異常検出アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2025-01-13T06:22:52Z)
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。