論文の概要: TRWH: A Text-Driven Random Walk Heterogeneous GNN for Semantic-Aware Sparse Recommendation

• arxiv url: http://arxiv.org/abs/2607.25471v1
• Date: Tue, 28 Jul 2026 09:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.781462
• Title: TRWH: A Text-Driven Random Walk Heterogeneous GNN for Semantic-Aware Sparse Recommendation
• Title（参考訳）: TRWH:セマンティック・アウェア・スパース・レコメンデーションのためのテキスト駆動ランダムウォーク不均一GNN
• Abstract要約: TRWH (Text-driven Random Walk Heterogeneous Graph Neural Network) は,LLM生成したテキストプロファイルをヘテロジニアスグラフ構造で融合する新しいフレームワークである。 TRWHは3つのコアコンポーネントから構成される: ユーザとアイテムの表現を生成する埋め込み生成; (2) 異種グラフニューラルネットワーク(HeteroGNN)、(3) ランダムウォークをベースとしたパス構築; 2階ユーザと項目のリンクによるスパースグラフの強化。
• 参考スコア（独自算出の注目度）: 2.971586656323551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) and Large Language Models (LLMs) have each advanced recommendation systems by modeling structural and semantic signals, respectively. However, integrating their complementary strengths remains challenging, particularly in sparse settings where maintaining semantic precision is critical. We propose TRWH (Text-driven Random Walk Heterogeneous Graph Neural Network), a novel framework that fuses LLM-generated textual profiles with heterogeneous graph structures through strategic random walk augmentation. TRWH consists of three core components: (1) Embedding Creation, which produces user and item representations using both Word2Vec and LLM-based profiling; (2) a Heterogeneous Graph Neural Network (HeteroGNN) that propagates information across multi-relational edges; and (3) Random Walk-based Path Construction, which enriches sparse graphs with second-order user-user and item-item links. Experiments on the Amazon-2023 Fashion (2M users, 825K items) and Beauty (631K users, 112K items) datasets demonstrate that TRWH achieves substantial performance gains over state-of-the-art methods, including 80.0% RMSE and 52.6% MAE reductions on Fashion, and 25.7% and 10.8% improvements on Beauty. Notably, while random walks improve performance with traditional embeddings, they can dilute the nuanced representations learned by LLMs, underscoring the importance of adaptive integration strategies.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)はそれぞれ、構造的信号と意味的信号のモデリングによる高度なレコメンデーションシステムを備えている。 しかし、特に意味的精度の維持が重要であるスパースな設定では、相補的な強みを統合することは依然として困難である。 TRWH (Text-driven Random Walk Heterogeneous Graph Neural Network, TRWH) は, LLM生成したテキストプロファイルと不均一なグラフ構造を融合した新しいフレームワークである。 TRWH は,(1) Word2Vec と LLM ベースのプロファイリングを用いてユーザとアイテムの表現を生成する Embedding Creation ,(2) 多関係エッジ間で情報を伝播するヘテロジニアスグラフニューラルネットワーク (HeteroGNN) ,(3) ランダムウォークベースのパス構築,そして(2) ユーザと項目のリンクによるスパースグラフを充実させる。 Amazon-2023 Fashion(200万ユーザ、825万アイテム)とBeauty(631万ユーザ、112万アイテム)のデータセットの実験では、TRWHは80.0%のRMSEと52.6%のMAE削減、25.7%と10.8%の改善を含む最先端の手法よりも大幅なパフォーマンス向上を達成した。 特に、ランダムウォークは従来の埋め込みで性能を向上させるが、LLMで学んだニュアンス表現を減らし、適応的な統合戦略の重要性を強調できる。

関連論文リスト

• Consistency-Regularized GAN for Few-Shot SAR Target Recognition [40.2533418376231]
  合成開口レーダ(SAR)画像におけるわずかなショット認識は、極端なデータ不足のため、現実世界のアプリケーションにとって重要なボトルネックとなっている。 有望な戦略としては、GAN(Generative Adversarial Network)を備えた大規模なデータセット、自己教師付き学習(SSL)によるモデルの事前トレーニング、ラベル付きサンプルの微調整などがある。 このアプローチは基本的なパラドックスに直面する: 従来のGAN自身は、安定したトレーニングのために豊富なデータを必要とし、少数ショット学習の前提に反する。 多様な高次合成を目的とした新しいフレームワークCr-GANを提案する。
  論文  参考訳（メタデータ） (2026-01-22T06:02:39Z)
• Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
  次世代予測は大規模言語モデル(LLM)の訓練の基本原理である 本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。 私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
  論文  参考訳（メタデータ） (2025-04-18T10:46:22Z)
• Data-centric Federated Graph Learning with Large Language Models [34.224475952206404]
  フェデレーショングラフ学習(FGL)では、完全なグラフは、プライバシー上の懸念により、各クライアントに格納された複数のサブグラフに分割される。 FGLの問題点は、ノードや構造がクライアント間で非IID特性を示す不均一性の問題である。 本稿では,FGLの大規模言語モデルのタスクを理論的に2つのサブタスクに分割する枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-25T08:43:08Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Generative-Contrastive Heterogeneous Graph Neural Network [17.889906784627904]
  異種グラフ(HG)は、マルチタイプのノードとエッジを通じて、実世界の複雑な関係を効果的にモデル化する。 コントラスト学習(CL)ベースのヘテロジニアスグラフニューラルネットワーク(HGNN)は、下流タスクにデータ拡張とコントラスト識別を活用できる大きな可能性を示している。 我々はGC-HGNN(Generative-Contrastive Heterogeneous Graph Neural Network)を提案する。 具体的には、CLに基づくパラダイムを強化する異種グラフ生成学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-03T15:31:18Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)

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。