論文の概要: Sequential Learner Modeling Using Multi-Relational Graph Convolutional Networks
- arxiv url: http://arxiv.org/abs/2607.19253v1
- Date: Tue, 21 Jul 2026 16:23:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.487837
- Title: Sequential Learner Modeling Using Multi-Relational Graph Convolutional Networks
- Title（参考訳）: マルチリレーショナルグラフ畳み込みネットワークを用いた逐次学習者モデリング
- Abstract要約: マルチリレーショナルGCN(MR-GCN)を用いた概念ベースシーケンシャルラーナモデリングのための完全に教師なしアプローチであるMR-ConceptGCNを提案する。
MR-ConceptGCNは、PKG(Personal Knowledge Graphs)、MR-GCN(MR-GCN)、事前訓練された言語モデルSBERTを効率よく組み合わせて、PKG項目の関連性および意味的認識表現の強化を得る。
学習者がCourseMapperで学習教材と対話する際に理解できなかった知識概念の豊かな埋め込みを用いて、長期的・短期的な学習者モデルを構築する。
- 参考スコア（独自算出の注目度）: 6.135169073943473
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: User modeling is a critical task in a variety of personalized systems. Recognizing their effectiveness in learning from graph-structured data, Graph Neural Networks (GNNs), particularly Graph Convolutional Networks (GCNs), are increasingly employed for user modeling. However, existing approaches typically treat different relation types in a graph as homogeneous, limiting their ability to capture richer semantics and construct more informative user models. While multi-relational GNNs (MR-GNNs) have been adopted for representation learning and recommendation, their application for user modeling remains unexplored. Moreover, existing GNN-based user modeling approaches ignore the user interaction sequence. To address these research gaps, in this work we propose MR-ConceptGCN, a novel fully unsupervised approach focused on concept-based sequential learner modeling using multi-relational GCNs (MR-GCNs). MR-ConceptGCN effecively combines Personal Knowledge Graphs (PKGs), MR-GCNs, and the pre-trained language model SBERT to obtain enhanced relation- and semantic-aware representations of the PKG items. The enriched embeddings of the knowledge concepts that a learner did not understand when interacting with learning materials in CourseMapper are then used to construct a sequential learner model that combines long-term and short-term learner interactions. We report the results of an online user study (n = 31), demonstrating the benefits of MR-ConceptGCN in terms of several important user-centric aspects including accuracy, usefulness, diversity, and satisfaction with an educational recommender system.
- Abstract（参考訳）: ユーザモデリングは、さまざまなパーソナライズされたシステムにおいて重要なタスクである。
グラフ構造化データから学習する上での有効性を認識しているグラフニューラルネットワーク(GNN)、特にグラフ畳み込みネットワーク(GCN)は、ユーザモデリングにますます採用されている。
しかし、既存のアプローチは通常、グラフ内の異なる関係型を均質として扱い、よりリッチなセマンティクスをキャプチャし、より情報的なユーザーモデルを構築する能力を制限する。
マルチリレーショナルGNN(MR-GNN)は、表現学習とレコメンデーションに採用されているが、ユーザモデリングへの応用は未定である。
さらに、既存のGNNベースのユーザーモデリングアプローチは、ユーザーインタラクションシーケンスを無視する。
本稿では, MR-ConceptGCNを提案する。MR-GCNは, マルチリレーショナルGCN(MR-GCN)を用いた概念ベースシーケンシャル学習者モデリングに焦点をあてた, 完全教師なしのアプローチである。
MR-ConceptGCNは、PKG(Personal Knowledge Graphs)、MR-GCN(MR-GCN)、事前訓練された言語モデルSBERTを効率よく組み合わせて、PKG項目の関連性および意味的認識表現の強化を得る。
学習者がCourseMapperで学習材料と対話する際に理解できなかった知識概念を豊かに埋め込み、長期学習者相互作用と短期学習者相互作用を組み合わせたシーケンシャル学習モデルを構築する。
我々は, MR-ConceptGCNのメリットを, 精度, 有用性, 多様性, 満足度といったいくつかの重要なユーザ中心の側面の観点から示すオンラインユーザスタディ(n = 31)の結果を報告した。
関連論文リスト
- Enhancing Graph Neural Networks: A Mutual Learning Approach [3.3557736371930567]
本研究では,グラフニューラルネットワーク(GNN)における協調学習の可能性について検討する。
事前学習した教師モデルがない場合、比較的単純で浅いGNNアーキテクチャが効率的に学習できることが示される。
学生GNNのアンサンブルが学習過程を通じて相互に教え合う協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-22T04:07:48Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。
特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。
その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
論文 参考訳（メタデータ） (2024-05-09T08:28:12Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Self-supervision meets kernel graph neural models: From architecture to
augmentations [36.388069423383286]
カーネルグラフニューラルネットワーク(KGNN)の設計と学習の改善
我々はLGA(Latent graph augmentation)と呼ばれる新しい構造保存グラフデータ拡張法を開発した。
提案モデルは,最先端のグラフ表現学習フレームワークに匹敵する,あるいは時として優れる性能を実現する。
論文 参考訳（メタデータ） (2023-10-17T14:04:22Z) - Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。
LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Neighborhood Convolutional Network: A New Paradigm of Graph Neural
Networks for Node Classification [12.062421384484812]
グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。
本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。
このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
論文 参考訳（メタデータ） (2022-11-15T02:02:51Z) - Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。
具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。
我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2022-05-08T08:19:40Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。