LIT-GRAPH: 深層学習型と浅いグラフエンボシングの深セングラフに基づく高品質なテキスト推奨用高域特定知能グーグル

この研究では、LIT-GRAPHとは西洋文学のグラフに基づいた推奨システムを提案し、高等学校英語教師が異なる、教科書適合されたインストラクショナル西洋文学を選択する支援を行うことを目指しています。このシステムは、西洋文学に関するオントロジーにより構築され、カリキュラムの停滞という課題に対処し、4つのグラフエンボシングのパラダイムを比較します： 深層ウェッブ、バイアスされたランダムウェッブ (BRW)、ハイブリッド（デープウェッブとバイアスされたランダムウェッブベクトル）および深層モデルの Relational Graph Convolutional Network (R-GCN)。結果は重要な違いを示し：深層モデルは構造的な接続予測で優れており、R-GCNが論理ランキングで圧倒的でした。関係特異的なメッセージ送信により、深層モデルは教科書に基づいた価値優先度を重視し、元のつながりよりも高い品質のDomain-specific（指定された言語、文法等での有用性指標）推薦を行うのです。

arXiv:2602.07307v1 Announce Type: cross Abstract: This study presents LIT-GRAPH (Literature Graph for Recommendation and Pedagogical Heuristics), a novel knowledge graph-based recommendation system designed to scaffold high school English teachers in selecting diverse, pedagogically aligned instructional literature. The system is built upon an ontology for English literature, addressing the challenge of curriculum stagnation, where we compare four graph embedding paradigms: DeepWalk, Biased Random Walk (BRW), Hybrid (concatenated DeepWalk and BRW vectors), and the deep model Relational Graph Convolutional Network (R-GCN). Results reveal a critical divergence: while shallow models excelled in structural link prediction, R-GCN dominated semantic ranking. By leveraging relation-specific message passing, the deep model prioritizes pedagogical relevance over raw connectivity, resulting in superior, high-quality, domain-specific recommendations.