論文の概要: Multi-Level Graph Attention Network Contrastive Learning for Knowledge-Aware Recommendation

• arxiv url: http://arxiv.org/abs/2605.08499v1
• Date: Fri, 08 May 2026 21:28:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.688415
• Title: Multi-Level Graph Attention Network Contrastive Learning for Knowledge-Aware Recommendation
• Title（参考訳）: 知識認識レコメンデーションのためのマルチレベルグラフ注意ネットワークコントラスト学習
• Authors: Zhifei Hu, Feng Xia,
• Abstract要約: マルチビューグラフコントラスト学習フレームワークを提案する。 提案手法は,多視点知識グラフ蒸留によりユーザ表現を向上させる。 我々は3つの視点で比較を行う自己教師付きコントラスト学習モジュールを設計する。
• 参考スコア（独自算出の注目度）: 6.7681468436772585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the use of edge information provided by knowledge graphs together with the advantages of higher-order connectivity in graph neural networks for recommendation systems has become an important research direction. However, existing approaches are often limited by sparse labels, insufficient graph structure learning, and noisy entities in the knowledge graph, which reduce recommendation accuracy. To address these limitations, we propose a multi-view graph contrastive learning framework. The proposed method enhances user representations through multi-view knowledge graph distillation, enabling more accurate modeling of user preferences over entities and relations. The network aggregates neighborhood entity information to construct informative item representations. Furthermore, we design a multi-level self-supervised contrastive learning module that performs comparisons across three perspectives: Inter-Level, Intra-Level, and Interaction-Level. This design improves the model's ability to generalize across intra-class samples while increasing discrimination between inter-class samples, thereby enabling more effective multi-dimensional feature modeling. We conduct extensive experiments on three public datasets using both baseline and ablation settings. Experimental results demonstrate that the proposed framework consistently outperforms existing state-of-the-art methods. Ablation studies further verify the effectiveness of each module in the proposed model.
• Abstract（参考訳）: 近年,知識グラフによるエッジ情報の利用と,レコメンデーションシステムのためのグラフニューラルネットワークにおける高次接続の利点が重要な研究方向となっている。 しかし、既存のアプローチは、しばしばスパースラベル、グラフ構造学習の不十分、知識グラフにおけるノイズの多いエンティティによって制限され、レコメンデーションの精度が低下する。 これらの制約に対処するために,マルチビューグラフのコントラスト学習フレームワークを提案する。 提案手法は,多視点知識グラフ蒸留によるユーザ表現を強化し,エンティティや関係性よりもユーザの好みをより正確にモデル化する。 ネットワークは、近隣のエンティティ情報を集約して、情報的項目表現を構築する。 さらに,多段階の自己指導型コントラスト学習モジュールを設計し,3つの視点(インターレベル,イントラレベル,インタラクションレベル)で比較を行った。 この設計により、クラス内サンプル間の識別を増大させながら、クラス内サンプルを一般化するモデルの能力を向上し、より効果的な多次元特徴モデリングを可能にする。 ベースラインとアブレーション設定の両方を用いて,3つの公開データセットに対して広範な実験を行った。 実験の結果,提案手法は既存の最先端手法より一貫して優れていた。 アブレーション研究は、提案モデルにおける各モジュールの有効性をさらに検証する。

関連論文リスト

• Integrating Structure-Aware Attention and Knowledge Graphs in Explainable Recommendation Systems [2.620825811168925]
  本稿では,知識グラフと構造認識型アテンション機構を統合した,説明可能なレコメンデーションモデルを実装した。 このモデルはグラフニューラルネットワーク上に構築され、マルチホップ隣の集約戦略が組み込まれている。 Amazon Booksデータセットで実施された実験は、提案したモデルの優れた性能を検証する。
  論文  参考訳（メタデータ） (2025-10-11T08:39:34Z)
• Knowledge graph-based personalized multimodal recommendation fusion framework [8.468510273008393]
  クロスグラフ相互相互情報駆動型統一知識グラフ学習と推薦フレームワーク(CrossGMMI-DUKGLR) 本稿では,既存の知識グラフレコメンデーションフレームワークをレビューし,モーダルインタラクションと高次依存性モデリングの欠点を特定する。 クロスグラフな相互情報駆動型統一知識グラフ学習と推薦フレームワーク(CrossGMMI-DUKGLR)を提案する。
  論文  参考訳（メタデータ） (2025-09-03T02:17:28Z)
• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• Dynamic Knowledge Selector and Evaluator for recommendation with Knowledge Graph [4.95829270467941]
  本稿では,知識グラフ内の情報を抽出するための協調信号によって導かれる動的知識選択評価手法を提案する。 具体的には,各地区のレコメンデーション課題に対する貢献度を評価するために,連鎖経路評価器を用いる。
  論文  参考訳（メタデータ） (2025-02-21T17:51:37Z)
• 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)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• SMiLE: Schema-augmented Multi-level Contrastive Learning for Knowledge Graph Link Prediction [28.87290783250351]
  リンク予測は、知識グラフにおけるエンティティ間の欠落したリンクを推測するタスクである。 本稿では,知識グラフリンク予測を行うための新しいマルチレベルコントラスト学習フレームワーク(SMiLE)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T17:40:19Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Deep Contrastive Learning for Multi-View Network Embedding [20.035449838566503]
  マルチビューネットワーク埋め込みは、ネットワーク内のノードを低次元ベクトルに投影することを目的としている。 ほとんどの対照的な学習ベースの手法は、主に高品質なグラフ埋め込みに依存している。 マルチビューネットワーク埋め込み(CREME)のための新しいノード間コントラスト学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2021-08-16T06:29:18Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)

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。