論文の概要: WebKnoGraph: GNN-Powered Internal Linking
- arxiv url: http://arxiv.org/abs/2606.06106v1
- Date: Thu, 04 Jun 2026 12:50:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.794947
- Title: WebKnoGraph: GNN-Powered Internal Linking
- Title（参考訳）: WebKnoGraph: GNNによる内部リンク
- Authors: Emilija Gjorgjevska, Georgina Mirceva, Miroslav Mirchev,
- Abstract要約: 内部リンク最適化は、検索エンジンの最適化において繰り返し行われるタスクである。
WebKnoGraphは、Webクローラーの内部リンク戦略を評価するためのオープンソースのフレームワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Internal link optimization is a recurring task in search engine optimization, yet many production workflows rely on manual judgment, fixed page templates, or generic tool recommendations. Practitioners need ways to evaluate candidate links before deployment because link changes can redistribute authority and affect semantic coherence in ways that are difficult to isolate after release. We present WebKnoGraph, an open-source framework for evaluating internal linking strategies on website crawls. The framework models a website as a directed graph, represents pages by embeddings, scores candidate links with GraphSAGE, and evaluates interventions by embedding the site into larger host environments. We instantiate WebKnoGraph on a production crawl of Kalicube.com and compare automatic with expert-assisted link selection in an empirical FineWeb-based host graph and a synthetic Barabási-Albert host graph, using PageRank-based authority metrics and semantic coherence. The results show that automatic selection generally produces stronger authority redistribution, with higher Authority Yield, but also larger semantic coherence costs. Expert-assisted selection better preserves semantic coherence and, when targeting low-PageRank pages, achieves the highest Authority Yield, although with the least favorable loss-gain balance. Authority Volatility provides an additional stability perspective, but is interpreted cautiously because the two regimes use different numbers of intervention sets. These findings support a practical workflow in which candidate intervention sets are generated at scale, evaluated jointly across authority gain, volatility, loss-gain balance, and semantic coherence, and then reviewed for editorial deployability before implementation.
- Abstract（参考訳）: 内部リンク最適化は、検索エンジン最適化において繰り返し行われるタスクであるが、多くのプロダクションワークフローは、手動判断、固定ページテンプレート、ジェネリックツールレコメンデーションに依存している。
リンクの変更は権限を再分配し、リリース後の分離が難しい方法でセマンティックコヒーレンスに影響を与える可能性があるため、デプロイ前に候補リンクを評価する方法が必要です。
WebKnoGraphは、Webクローラーの内部リンク戦略を評価するためのオープンソースのフレームワークである。
フレームワークはWebサイトを有向グラフとしてモデル化し、埋め込みによってページを表現し、GraphSAGEとの候補リンクをスコアし、サイトをより大きなホスト環境に埋め込むことで介入を評価する。
我々は、Kalicube.comのプロダクションクロール上でWebKnoGraphをインスタンス化し、PageRankベースの権威メトリクスとセマンティックコヒーレンスを用いて、実証的なFineWebベースのホストグラフと合成Barabási-Albertホストグラフのエキスパート支援リンク選択とを自動で比較する。
その結果, 自動選別により権限の再分配が促進され, オーソリティは向上するが, セマンティック・コヒーレンスコストも増大することがわかった。
専門家支援による選択はセマンティックコヒーレンスをよりよく保存し、ローページをターゲットとする場合には、損失-利得のバランスが低いものの、最高オーソリティ利得を達成する。
権限のボラティリティはさらなる安定性の観点を提供するが、2つの体制は異なる数の介入セットを使用するため慎重に解釈される。
これらの知見は、大規模に候補介入セットを生成し、権限獲得、ボラティリティ、損失ゲインバランス、セマンティックコヒーレンスを共同で評価し、実装前の編集デプロイ性についてレビューする実践的ワークフローを支持する。
関連論文リスト
- SAGE: A Service Agent Graph-guided Evaluation Benchmark [27.342044311161654]
本稿では,SAGE(Service Agent Graph-Guided Evaluation)を提案する。
SAGEは構造化されていないSOPを動的ダイアロググラフに形式化し、論理的コンプライアンスの正確な検証を可能にする。
また、モデルが論理的失敗にもかかわらず丁寧な会話ファサードを維持する現象である「共感回復」も観察する。
論文 参考訳（メタデータ） (2026-04-10T12:55:23Z) - WebGraphEval: Multi-Turn Trajectory Evaluation for Web Agents using Graph Representation [13.14840279219976]
WebGraphEvalは、複数のエージェントからのトラジェクトリを統一された重み付けされたアクショングラフに抽象化するフレームワークである。
我々は、WebGraphEvalが、モデル間の規則性をキャプチャし、冗長性と非効率性を強調し、結果に基づくメトリクスによって見落とされた決定ポイントを特定する。
論文 参考訳（メタデータ） (2025-10-22T03:29:25Z) - TGPO: Tree-Guided Preference Optimization for Robust Web Agent Reinforcement Learning [4.456860697635325]
強化学習による Web エージェントのトレーニングには,クレジット割り当ての誤り,アノテーションコストの禁止,パースペリティの報奨など,重要な課題が伴う。
我々のフレームワークにはプロセス・リワード・モデルが組み込まれており、サブゴールの進行、冗長性の検出、行動検証を通じて、細かな報酬を自動的に生成する。
Online-Mind2Webと我々の自己構築したC-WebShopデータセットの実験は、TGPOが既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-09-17T16:58:44Z) - Rethinking Link Prediction for Directed Graphs [73.36395969796804]
有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。
埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。
本稿では,既存手法の表現性を評価する統一的なフレームワークを提案し,二重埋め込みとデコーダ設計がリンクの有向予測性能に与える影響を強調した。
論文 参考訳（メタデータ） (2025-02-08T23:51:05Z) - Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract) [56.55728466130238]
本稿では,変換器の回帰能力をGNNのリンク予測強度と統合することを目的とした新しいMPGrafモデルを提案する。
我々は、MPGrafの性能を厳格に評価するために、大規模なオフラインおよびオンライン実験を行っている。
論文 参考訳（メタデータ） (2024-09-25T03:33:47Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。
提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文 参考訳（メタデータ） (2023-06-20T06:25:05Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z)
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。