論文の概要: Do All Nodes Benefit Equally from Knowledge Graphs? Adaptive Node-Aware KG Fusion for Recommendation

• arxiv url: http://arxiv.org/abs/2609.05909v1
• Date: Sat, 05 Sep 2026 06:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 12:21:07.106479
• Title: Do All Nodes Benefit Equally from Knowledge Graphs? Adaptive Node-Aware KG Fusion for Recommendation
• Title（参考訳）: すべてのノードが知識グラフから等しく相応しいか?
• Abstract要約: 本稿では,各ノードに対する補助的知識の寄与を適応的に調整する,新しいKG対応レコメンデーション手法であるAdaKGを提案する。 AdaKGはそのベースラインと適応核融合戦略の有効性と比較して高い性能を達成する。
• 参考スコア（独自算出の注目度）: 4.546840710582267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: KG-aware recommendation has been widely studied to alleviate data sparsity by using knowledge graphs (KGs), which represent items, entities, and their relations as graphs and provide item-side knowledge. However, existing methods incorporate item knowledge without considering how much each user or item node should rely on it. As a result, they apply KG signals indiscriminately across nodes, even to nodes whose collaborative filtering (CF) signals from the interaction graph (IG) are already reliable. In this paper, we propose AdaKG (Adaptive Node-Aware KG Fusion), a novel KG-aware recommendation method that adaptively adjusts the contribution of auxiliary knowledge for each node. Since user-item interactions and item knowledge provide different types of signals, directly mixing them can distort the CF signals. To avoid this, AdaKG separately encodes the IG and KG with view-specific encoders, allowing each view to capture its own information. It then estimates how strongly each node should rely on item knowledge by measuring the stability of its CF signals under small adversarial perturbations, assigning a larger KG contribution to less stable nodes. Finally, AdaKG adaptively aligns the IG and KG embeddings in a shared space and fuses them according to the estimated node-wise reliance. Through experiments, we show that AdaKG achieves strong performance compared with its baselines and the effectiveness of our adaptive fusion strategy.
• Abstract（参考訳）: KGを意識したリコメンデーションは、アイテム、エンティティ、それらの関係をグラフとして表現し、アイテムサイドの知識を提供する知識グラフ(KG)を用いて、データの疎結合を緩和するために広く研究されている。 しかし、既存の手法では、各ユーザやアイテムノードがどれだけ依存すべきかを考慮せずに、アイテムの知識を取り入れている。 その結果、相互作用グラフ(IG)からの協調フィルタリング(CF)信号がすでに信頼できるノードにも、ノード間でKG信号が無差別に適用される。 本稿では,各ノードに対する補助的知識の寄与を適応的に調整する新しいKG対応レコメンデーション手法であるAdaKG(Adaptive Node-Aware KG Fusion)を提案する。 ユーザ-イテム相互作用とアイテム知識は異なるタイプの信号を提供するため、直接混合することでCF信号を歪ませることができる。 これを避けるため、AdaKGはIGとKGをビュー固有のエンコーダで別々にエンコードし、それぞれのビューが独自の情報をキャプチャできる。 すると、各ノードは、小さな対向摂動の下でCF信号の安定性を測定し、より安定したノードにより大きなKG寄与を割り当てることによって、アイテム知識にどれだけ強く依存すべきかを推定する。 最後に、AdaKG は IG と KG の埋め込みを共有空間に適応的に整列させ、推定ノード単位の信頼度に応じてそれらを融合させる。 実験により,AdaKGはベースラインと適応核融合戦略の有効性と比較して高い性能を示した。

関連論文リスト

• Heterogeneous Hypergraph Embedding for Recommendation Systems [45.49449132970778]
  知識強化ヘテロジニアスハイパーグラフレコメンダシステム(KHGRec)について紹介する。 KHGRecは、相互作用ネットワークとKGの両方のグループワイド特性を捉え、KGの複雑な接続をモデル化する。 入力グラフからの信号を、クロスビューで自己教師付き学習とアテンションメカニズムで融合する。
  論文  参考訳（メタデータ） (2024-07-04T06:09:11Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• Collective Knowledge Graph Completion with Mutual Knowledge Distillation [11.922522192224145]
  我々は,異なるKGからの集合的知識の最大化に焦点をあてるマルチKG完備化の問題について検討する。 CKGC-CKDと呼ばれる,個々のKGと大きな融合KGの両方で,関係対応グラフ畳み込みネットワークエンコーダモデルを用いる新しい手法を提案する。 複数言語データセットによる実験結果から,本手法はKGCタスクにおけるすべての最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-25T09:49:40Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
  知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。 本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-15T12:16:10Z)
• Knowledge Graph Contrastive Learning for Recommendation [32.918864602360884]
  我々は、知識グラフ強化レコメンデータシステムのための情報ノイズを軽減するために、一般的な知識グラフ比較学習フレームワークを設計する。 具体的には,情報集約におけるKGノイズを抑制する知識グラフ拡張スキーマを提案する。 我々は、KG拡張プロセスから追加の監視信号を利用して、クロスビューコントラスト学習パラダイムを導出する。
  論文  参考訳（メタデータ） (2022-05-02T15:24:53Z)
• 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。