論文の概要: Neither Black nor White: Balancing Semantic and Collaborative Signals with Graph-Informed Semantic IDs (GrIS)

• arxiv url: http://arxiv.org/abs/2610.01533v1
• Date: Thu, 01 Oct 2026 12:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.102914
• Title: Neither Black nor White: Balancing Semantic and Collaborative Signals with Graph-Informed Semantic IDs (GrIS)
• Title（参考訳）: 黒も白も:グラフインフォームド・セマンティックID(GrIS)を用いたセマンティック信号と協調信号のバランシング
• Abstract要約: 生成レコメンデーションのためのセマンティックIDに関する既存の研究は、SID構築を表現学習問題として扱う。 本稿では,グラフインフォームドセマンティックID (Graph-Informed Semantic IDs, GrIS) の統一フレームワークを提案する。 複数の実世界のデータセットでは、GrISはCF対応のSOTAよりも一貫して改善されており、Hit@10.52%まで上昇している。
• 参考スコア（独自算出の注目度）: 36.25755480210403
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Existing work on Semantic IDs (SIDs) for generative recommendation treats SID construction as a representation learning problem: encode items into a quantised latent space and read off codes. We argue this view is incidental. SID construction is, at heart, a recursive clustering problem, and once stated this way the natural object to cluster is a graph whose nodes carry semantic content and whose edges carry collaborative signal; SID assignment becomes a hierarchical graph partition. This reframing yields a unified framework, Graph-Informed Semantic IDs (GrIS), that subsumes prior approaches rather than displacing them. RQ-VAE and RQ-KMeans are recovered as the special case where the graph is empty, exposing content-only quantisation as one corner of a larger design space along two so-far-collapsed axes: graph construction and recursive partition algorithm. We explore two contrasting instantiations: RecDMoN, which performs hierarchical assignment via differentiable graph pooling, and RQ-GAE, which extends RQ-VAE with graph-aware item representations and a graph reconstruction objective. On multiple real-world datasets, GrIS consistently improves over CF-aware SOTA, with gains of up to +52\% Hit@10. Because graph construction and partition are explicit, separately configurable components, improvements on either axis can be combined and evaluated systematically.
• Abstract（参考訳）: 生成レコメンデーションのためのセマンティックID(SID)に関する既存の研究は、SID構築を表現学習問題として扱い、アイテムを量子化された潜在空間にエンコードし、コードを読み取る。 私たちはこの見解は偶然であると主張する。 SIDの構成は、心の中で再帰的なクラスタリングの問題であり、かつては、クラスタへの自然なオブジェクトは、ノードがセマンティックな内容を持ち、エッジが協調的なシグナルを持つグラフであり、SIDの割り当ては階層的なグラフ分割となる。 この再フレーミングは、グラフインフォームドセマンティックID(GrIS)という統一されたフレームワークを生み出し、それらを分解するのではなく、事前のアプローチを仮定する。 RQ-VAE と RQ-KMeans はグラフが空である特別な場合として回収され、グラフ構築と再帰的分割アルゴリズム(英語版)という2つのいわゆる破滅した軸に沿って、より大きな設計空間の一角としてコンテンツのみの量子化が露呈される。 差分可能なグラフプーリングによる階層的割当てを行うRecDMoNと、グラフ対応アイテム表現によるRQ-VAEを拡張したRQ-GAEと、グラフ再構成の目的について検討する。 複数の実世界のデータセットでは、GrISはCF対応のSOTAよりも一貫して改善されており、Hit@10は+52\%になる。 グラフの構成と分割は明示的であり、個別に構成可能なコンポーネントであるため、どちらの軸でも改善が組み合わされ、体系的に評価される。

関連論文リスト

• UniGTE: Unified Graph-Text Encoding for Zero-Shot Generalization across Graph Tasks and Domains [12.05107789697386]
  構造的および意味的推論を統一する命令調整型エンコーダデコーダフレームワークUniGTEを紹介する。 UniGTEは、ノードレベル、エッジレベル、およびさまざまなドメインにわたるグラフレベルタスクにまたがる5つのデータセットに基づいて、命令調整される。 クロスタスクおよびクロスドメイン設定下で、ノード分類、リンク予測、グラフ分類、グラフ回帰に関する最新のゼロショットの新たな結果を達成する。
  論文  参考訳（メタデータ） (2025-10-19T15:36:45Z)
• Scalable Attribute-Missing Graph Clustering via Neighborhood Differentiation [46.17999216122895]
  本稿では,新しいDGC手法である underlinetextbfComplementary underlinetextbfMulti-underlinetextbfView を提案する。 CMV-NDはグラフ構造情報を完全だが非冗長な方法で複数のビューに前処理する。 CMV-NDは,6つのグラフデータセットの実験結果から,様々な手法の性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-07-09T13:42:43Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Dual Contrastive Attributed Graph Clustering Network [6.796682703663566]
  我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。 DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。 DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
  論文  参考訳（メタデータ） (2022-06-16T03:17:01Z)
• Representative Graph Neural Network [113.67254049938629]
  いくつかの代表的特徴を動的にサンプリングするために、代表グラフ層を提示する。 すべての位置からメッセージを伝搬する代わりに、RepGraphレイヤは1つのノードの応答を数個の代表ノードで計算します。
  論文  参考訳（メタデータ） (2020-08-12T09:46:52Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。