論文の概要: TailSpec-EASE: Knowledge-Graph-Regularized Linear Recommendation for Web Long-Tail Discovery
- arxiv url: http://arxiv.org/abs/2609.26143v1
- Date: Sat, 08 Aug 2026 04:33:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.888298
- Title: TailSpec-EASE: Knowledge-Graph-Regularized Linear Recommendation for Web Long-Tail Discovery
- Title（参考訳）: TailSpec-EASE: Web Long-Tail Discoveryのための知識グラフ規則付き線形レコメンデーション
- Abstract要約: TailSpec-EASEはアイテムサイドの知識グラフのための軽量なレコメンデーターである。
アイテムの人気に適応し、ロングテールアイテムにより強力なセマンティックガイダンスを与える。
KG情報なしでNDCG@20を最大24%改善する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems on Web platforms tend to over-serve popular items and neglect the long tail. Item-side knowledge graphs (KGs), often available as linked data or RDF-style Web resources, can help by connecting sparse items through shared semantic attributes. Many competitive KG-aware recommenders rely on graph neural architectures, whereas strong shallow linear models such as EASE-R typically ignore side information and may become infeasible in their global closed-form version. We introduce TailSpec-EASE, a lightweight recommender that injects a relation-aware spectral KG prior into a local closed-form reconstruction objective. The prior strength adapts to item popularity, giving stronger semantic guidance to long-tail items. Across four public benchmarks and a broad set of classical, linear, graph-CF, KG-aware neural, and score-level KG baselines, TailSpec-EASE attains a favorable trade-off between overall accuracy, long-tail performance, and training cost. It improves NDCG@20 by up to 24% over its counterpart without KG information. All tail-metric improvements over the no-KG counterpart are statistically significant under a paired bootstrap, and overall NDCG improves significantly on three of the four datasets. In a representative Amazon-book timing study, TailSpec-EASE trains in 37 seconds on CPU, compared with 2,584 seconds for a GPU-trained KGAT run and 15,800 seconds for CPU LightGCN, while attaining higher NDCG@20 and Tail Recall@20 on that dataset. It also remains feasible on catalogs where the global closed-form model runs out of memory.
- Abstract（参考訳）: Webプラットフォーム上のレコメンダシステムは、人気のあるアイテムを過剰に提供し、長い尾を無視する傾向がある。
アイテムサイドのナレッジグラフ(KG)は、しばしばリンクデータやRDFスタイルのWebリソースとして利用でき、共有セマンティック属性を通じてスパースアイテムを接続するのに役立つ。
多くの競合するKG対応レコメンデータはグラフニューラルネットワークアーキテクチャに依存しているが、EASE-Rのような強力な浅い線形モデルは一般的にサイド情報を無視し、グローバルなクローズドフォームバージョンでは実現できない可能性がある。
本稿では,局所的な閉形式再構成の対象に,関係認識スペクトルKGを予め注入する軽量レコメンデータであるTailSpec-EASEを紹介する。
先行の強さはアイテムの人気に適応し、ロングテールアイテムに対してより強力なセマンティックガイダンスを与える。
4つの公開ベンチマークと、古典的、線形、グラフ-CF、KG対応ニューラルネットワーク、スコアレベルのKGベースラインの幅広いセットに対して、TailSpec-EASEは、全体的な精度、ロングテールパフォーマンス、トレーニングコストのトレードオフを良好に達成している。
KG情報なしでNDCG@20を最大24%改善する。
NDCGは4つのデータセットのうち3つで大幅に改善されている。
Amazon-bookの典型的なタイミング調査では、TailSpec-EASEは、CPU上で37秒、GPUでトレーニングされたKGATで2584秒、CPU LightGCNで15800秒、データセットでより高いNDCG@20とTail Recall@20を達成した。
また、グローバルなクローズドフォームモデルがメモリを使い果たしたカタログでも実現可能である。
関連論文リスト
- Graph-Conditioned Mixture of Graph Neural Network Experts for Traffic Forecasting [0.1354560757162539]
GC-MoEは、各ノードに凍結予測専門家のパーソナライズされた組み合わせを割り当てる、グラフ条件のエキスパートフレームワークの混合である。
GC-MoEは、凍結した時間的GNNエキスパートと入力を意識した空間的にコンテキスト化されたルータを組み合わせる。
論文 参考訳（メタデータ） (2026-05-28T19:05:18Z) - gHAWK: Local and Global Structure Encoding for Scalable Training of Graph Neural Networks on Knowledge Graphs [1.8024397171920878]
gHAWKは知識グラフ(KG)のためのグラフニューラルネットワーク(GNN)トレーニングフレームワーク
GNNトレーニングが始まる前に、各ノードのローカルおよびグローバル構造をキャプチャする構造的特徴を事前に計算する。
gHAWKはメモリ使用量、収束率を大幅に削減し、モデルの精度を向上させる。
論文 参考訳（メタデータ） (2025-12-09T06:08:37Z) - E2E-GRec: An End-to-End Joint Training Framework for Graph Neural Networks and Recommender Systems [12.960867801368972]
提案するE2E-GRecは,GNNトレーニングをレコメンダシステムと統合する新しいエンドツーエンドトレーニングフレームワークである。
本フレームワークの特徴は, 大規模クロスドメインなヘテロジニアスグラフからの効率的なサブグラフサンプリングにより, トレーニングのスケーラビリティと効率性を確保すること, (ii) グラフ特徴自動エンコーダを用いて, GNN が構造的に意味のある埋め込みを学習するための補助的な自己指導的タスクを実現すること, (iii) グラドノームに基づく動的損失分散と組み合わせた2段階の機能融合機構である。
論文 参考訳（メタデータ） (2025-11-25T17:59:22Z) - CGLE: Class-label Graph Link Estimator for Link Prediction [10.111824396356543]
CGLE(Class-label Graph Link Estimator)は、GNNベースのリンク予測モデルを拡張するために設計された新しいフレームワークである。
CGLEはクラス条件のリンク確率行列を構成する。
効率的な前処理の段階でカプセル化され、基礎となるGNNモデルの計算複雑性は影響を受けないままである。
論文 参考訳（メタデータ） (2025-11-10T11:34:36Z) - Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。
本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。
提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
論文 参考訳（メタデータ） (2025-07-25T06:02:48Z) - KG2QA: Knowledge Graph-enhanced Retrieval-augmented Generation for Communication Standards Question Answering [7.079181644378029]
KG2QAは、細調整された大言語モデル(LLM)とドメイン固有知識グラフ(KG)を統合する質問応答フレームワークである。
ITU-TレコメンデーションとQwen2.5-7B-インストラクトから,高品質な6,587対のQAデータセットを構築した。
我々のKG-RAGパイプラインでは、細調整されたLLMがまずKGから関連する知識を取得し、より正確で現実的な応答を可能にします。
論文 参考訳（メタデータ） (2025-06-08T08:07:22Z) - Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit
Diversity Modeling [60.0185734837814]
グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。
GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。
本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
論文 参考訳（メタデータ） (2023-04-06T01:09:36Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。
複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。
RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
論文 参考訳（メタデータ） (2020-10-05T06:53:44Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
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。