論文の概要: ValueGraph: Value-Signal Guided Graph Pre-training for Contextualized User Representation

• arxiv url: http://arxiv.org/abs/2609.00057v1
• Date: Sun, 30 Aug 2026 13:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.803364
• Title: ValueGraph: Value-Signal Guided Graph Pre-training for Contextualized User Representation
• Title（参考訳）: ValueGraph: コンテキスト化されたユーザ表現のためのValue-Signal Guided Graph事前トレーニング
• Abstract要約: 価値信号はユーザレベルのモラル表現を集約したもので、ユーザの推論された価値関連傾向をオンライン談話から捉えます。 本研究では、文脈化されたユーザ表現のためのノイズの多い補助信号として、自動推論された道徳値信号を利用するグラフ事前学習フレームワークであるValueGraphを提案する。
• 参考スコア（独自算出の注目度）: 11.277845392834609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Value signals are aggregated user-level moral representations that capture users' inferred value-related tendencies from their online discourse. User behavior on social media is shaped not only by what users say or whom they interact with, but also by the value signal through which they express attitudes. Existing user representation methods largely miss this value-relevant dimension. We propose ValueGraph, a graph pre-training framework that uses automatically inferred moral-value signals as noisy auxiliary signals for contextualized user representation. From post-reply graphs, ValueGraph learns semantic and structural representations and further aligns users through relative value similarity with contrastive and clustering objectives. Rather than treating inferred values as gold psychological labels, ValueGraph uses them as soft constraints for representation learning. Experiments on stance detection and twitter bot detection show consistent gains over strong text-based, graph-based, and text-only LLM baselines, highlighting value-signal guidance as a useful inductive bias for socially informed user modeling.
• Abstract（参考訳）: 価値信号はユーザレベルのモラル表現を集約したもので、ユーザの推論された価値関連傾向をオンライン談話から捉えます。 ソーシャルメディア上でのユーザ行動は、ユーザが何を言っているか、誰と対話しているかだけでなく、態度を表現する価値信号によっても形作られます。 既存のユーザ表現手法は、この価値関連次元をほとんど見逃している。 本研究では、文脈化されたユーザ表現のためのノイズの多い補助信号として、自動推論された道徳値信号を利用するグラフ事前学習フレームワークであるValueGraphを提案する。 応答後のグラフから、ValueGraphは意味的および構造的表現を学び、コントラストやクラスタリングの目的と相対的な値類似性を通じてユーザを整合させる。 推論された値を金の心理的ラベルとして扱うのではなく、ValueGraphはそれらを表現学習のソフトな制約として利用する。 スタンス検出とTwitterボット検出の実験は、強力なテキストベース、グラフベース、テキストのみのLLMベースラインよりも一貫した向上を示し、社会的に情報を得たユーザモデリングに有用な帰納的バイアスとしてバリューシグナルガイダンスを強調している。

関連論文リスト

• Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
  グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。 本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。 この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
  論文  参考訳（メタデータ） (2026-08-27T07:25:44Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• RoGBot: Relationship-Oblivious Graph-based Neural Network with Contextual Knowledge for Bot Detection [3.884231159866055]
  本稿では,詳細なテキスト機能とユーザメタデータを融合した新しいフレームワークを提案する。 本手法では,つぶやきからの深いセマンティック埋め込みを抽出するために,変換器ベースモデル(BERTなど)を用いる。 Cresci-15、Cresci-17、PAN 2019データセットの実験結果は、我々のアプローチの堅牢性を示している。
  論文  参考訳（メタデータ） (2025-10-25T05:14:58Z)
• Towards Bridging Review Sparsity in Recommendation with Textual Edge Graph Representation [28.893058826607735]
  本稿では,意味的信号と構造的信号とを共同でモデル化することで,欠落レビューを示唆する統一的なフレームワークを提案する。 AmazonとGoodreadsデータセットの実験は、TWISTERが従来の数値、グラフベース、LLMベースラインを一貫して上回っていることを示している。 要約すると、TWISTERはより有用で、本物で、特定のレビューを生成し、構造的なシグナルを滑らかにすることで推奨を改善する。
  論文  参考訳（メタデータ） (2025-08-02T00:53:40Z)
• SymCERE: Symmetric Contrastive Learning for Robust Review-Enhanced Recommendation [2.087411180679868]
  提案するSymCEREは,提案する偽陰性に対処するコントラスト学習手法である。 3つのプラットフォームからの15のデータセットの実験では、SymCEREがいくつかの強力なベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-04-03T00:40:09Z)
• UFGraphFR: Graph Federation Recommendation System based on User Text description features [13.253574095071537]
  フェデレーション学習は、レコメンデーションシステムのためのプライバシー保護フレームワークを提供する。 従来のフェデレートされたレコメンデーションアプローチは、各ユーザを独立したエンティティとして扱う。 本稿では,3つのキーコンポーネントを持つ新しいフレームワークであるUFGraphFRを提案する。
  論文  参考訳（メタデータ） (2025-01-14T11:52:16Z)
• Graph Contrastive Learning on Multi-label Classification for Recommendations [34.785207813971134]
  マルチラベル分類のためのグラフコントラスト学習モデル(MCGCL)を提案する。 MCGCLはコントラスト学習を活用してレコメンデーションの有効性を高める。 マルチラベル分類タスクにおいて,Amazon Reviewsの実際のデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2025-01-13T00:29:29Z)
• ConGraT: Self-Supervised Contrastive Pretraining for Joint Graph and Text Embeddings [20.25180279903009]
  テキスト分散グラフ(TAG)におけるテキストとノードの分離表現を共同学習するためのContrastive Graph-Text Pretraining(ConGraT)を提案する。 提案手法は言語モデル(LM)とグラフニューラルネットワーク(GNN)を訓練し,CLIPにインスパイアされたバッチワイドコントラスト学習目標を用いて,それらの表現を共通の潜在空間に整列させる。 実験により、ConGraTは、ノードとテキストのカテゴリ分類、リンク予測、言語モデリングなど、さまざまな下流タスクのベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-23T17:53:30Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)

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。