論文の概要: Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2608.21243v1
• Date: Fri, 21 Aug 2026 15:54:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.631108
• Title: Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation
• Title（参考訳）: シークエンシャルレコメンデーションにおける行動記述のための知識グラフの適応
• Abstract要約: AdaptedKGは、レコメンデーションモデルにグラフ表現を追加することなく、トレーニング例ごとにキャリブレーションされたKGエビデンスを導出する。 すべてのサンプル固有のスコアはトレーニングインタラクションと固定KGを使用してオフラインで計算されるため、バックボーンは変更されず、推論時にKGアクセスは不要である。
• 参考スコア（独自算出の注目度）: 9.74556536240202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation predicts the next item from a user's interaction history, but not every interaction is equally informative. Real logs combine persistent preferences with temporary needs, exploration, and incidental behavior, so some interactions can distort history representations or provide unreliable supervision. Existing denoising methods judge such interactions mainly from co-occurrence, order, or model predictions, without explicit evidence from relations between items. Knowledge graphs (KGs) offer this evidence, but item popularity, graph degree, uneven coverage, and widely shared entities can inflate connectivity and bias reliability estimates. Here we present AdaptedKG, which derives calibrated KG evidence for each training example without adding graph representations to the recommendation model. It first compares the observed context with structurally matched alternatives to identify relational paths that are unusually prominent and uses them to build a local KG view. It then compares each interaction with structurally matched reference items to calibrate its support within that view. The resulting retention coefficients gate historical representations and reweight target losses. All sample-specific scores are computed offline using training interactions and a fixed KG, so the backbone remains unchanged and no KG access is required at inference. Experiments show gains with a standard sequential recommender and multiple behavior-denoising sequential recommenders.
• Abstract（参考訳）: 逐次的なレコメンデーションは、ユーザのインタラクション履歴から次の項目を予測するが、すべてのインタラクションが等しく有益であるわけではない。 リアルログは、永続的な好みと一時的な要求、探索、偶発的な振る舞いを組み合わせ、いくつかのインタラクションは履歴表現を歪めたり、信頼できない監視を提供することができる。 既存の認知的手法は、アイテム間の関係から明確な証拠なしで、主に共起、秩序、またはモデル予測からそのような相互作用を判断する。 知識グラフ(KG)は、この証拠を提供するが、アイテムの人気、グラフの度合い、不均一なカバレッジ、そして広く共有されているエンティティは、接続性とバイアスの信頼性を推定する。 ここでは、推薦モデルにグラフ表現を加えることなく、トレーニング例毎にKGの校正を導出するAdaptedKGを提案する。 まず、観測されたコンテキストと構造にマッチした代替品を比較し、異常に顕著な関係経路を特定し、局所的なKGビューを構築するためにそれらを使用する。 次に、各インタラクションと構造的にマッチした参照項目を比較して、そのビュー内のサポートを校正する。 得られた保持係数は、歴史的表現とリウェイト目標損失をゲートする。 すべてのサンプル固有のスコアはトレーニングインタラクションと固定KGを使用してオフラインで計算されるため、バックボーンは変更されず、推論時にKGアクセスは不要である。 実験では、標準的なシーケンシャルなレコメンデータと、複数の振る舞いをデノゴライズするシーケンシャルなレコメンダで得られる成果が示されている。

関連論文リスト

• From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation [18.117610268256005]
  我々は、ペアワイズアイテムの相互作用を計算する能力において、自己意識が逐次的な推奨において支配的であることを示す。 複数の視点から項目関係を再検討するモジュールであるPRISMを提案する。 PRISMは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-08-12T09:39:04Z)
• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings [0.0]
  GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。 プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。 2つのベンチマークデータセット上でGatedBiasを評価する。
  論文  参考訳（メタデータ） (2025-12-26T22:30:37Z)
• SEP-GCN: Leveraging Similar Edge Pairs with Temporal and Spatial Contexts for Location-Based Recommender Systems [0.0]
  SEP-GCNは、文脈的に類似した相互作用エッジのペアから学習する新しいグラフベースのレコメンデーションフレームワークである。 SEP-GCNは、類似の時間的ウィンドウや地理的近接で発生するエッジペアを識別することにより、コンテキスト的類似性リンクでユーザ-itemグラフを拡張する。 ベンチマークデータセットの実験では、SEP-GCNは予測精度とロバスト性の両方において、強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-19T03:48:30Z)
• Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation [4.130591018565202]
  マルチビヘイビア・レコメンデーションは、視聴、カートの追加、購入などの多様な振る舞いを分析して、ユーザが購入できるアイテムを予測する。 既存の手法は、表現学習とグラフランキングの2つのカテゴリに分類される。 マルチビヘイビア・レコメンデーションのためのグラフランキング手法であるCascadingRankを提案する。
  論文  参考訳（メタデータ） (2025-02-17T01:13:45Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
  マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。 まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
  論文  参考訳（メタデータ） (2024-12-19T02:57:02Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
  KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。 実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
  論文  参考訳（メタデータ） (2022-08-23T15:11:45Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• 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)

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。