論文の概要: MMHCL: Multi-Modal Hypergraph Contrastive Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2504.16576v1
• Date: Wed, 23 Apr 2025 09:58:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 17:07:20.649486
• Title: MMHCL: Multi-Modal Hypergraph Contrastive Learning for Recommendation
• Title（参考訳）: MMHCL:レコメンデーションのためのマルチモーダルハイパーグラフコントラスト学習
• Authors: Xu Guo, Tong Zhang, Fuyun Wang, Xudong Wang, Xiaoya Zhang, Xin Liu, Zhen Cui,
• Abstract要約: 本稿では,ユーザ推薦のためのマルチモーダルハイパーグラフコントラスト学習フレームワークを提案する。 ユーザ-製品関係から包括的な情報探索を行うため,ユーザ間ハイパーグラフ (u2u) とアイテム間ハイパーグラフ (i2i) という2つのハイパーグラフを構築した。 同じ/異なるユーザやアイテムの2階目(例えば、ユーザの共有嗜好パターン)と1階目(ユーザの選択した項目の情報)の埋め込みを最大化・最小化することにより、特徴の識別性を効果的に向上することができる。
• 参考スコア（独自算出の注目度）: 26.162677602303983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The burgeoning presence of multimodal content-sharing platforms propels the development of personalized recommender systems. Previous works usually suffer from data sparsity and cold-start problems, and may fail to adequately explore semantic user-product associations from multimodal data. To address these issues, we propose a novel Multi-Modal Hypergraph Contrastive Learning (MMHCL) framework for user recommendation. For a comprehensive information exploration from user-product relations, we construct two hypergraphs, i.e. a user-to-user (u2u) hypergraph and an item-to-item (i2i) hypergraph, to mine shared preferences among users and intricate multimodal semantic resemblance among items, respectively. This process yields denser second-order semantics that are fused with first-order user-item interaction as complementary to alleviate the data sparsity issue. Then, we design a contrastive feature enhancement paradigm by applying synergistic contrastive learning. By maximizing/minimizing the mutual information between second-order (e.g. shared preference pattern for users) and first-order (information of selected items for users) embeddings of the same/different users and items, the feature distinguishability can be effectively enhanced. Compared with using sparse primary user-item interaction only, our MMHCL obtains denser second-order hypergraphs and excavates more abundant shared attributes to explore the user-product associations, which to a certain extent alleviates the problems of data sparsity and cold-start. Extensive experiments have comprehensively demonstrated the effectiveness of our method. Our code is publicly available at: https://github.com/Xu107/MMHCL.
• Abstract（参考訳）: マルチモーダルなコンテンツ共有プラットフォームの存在は、パーソナライズされたレコメンデーションシステムの開発を促進する。 従来の作業は通常、データの分散とコールドスタートの問題に悩まされ、マルチモーダルデータからセマンティックなユーザ製品関連を適切に探索することができない。 これらの課題に対処するために,ユーザ推薦のための新しいマルチモーダルハイパーグラフコントラスト学習(MMHCL)フレームワークを提案する。 ユーザ・プロダクト関係から包括的な情報探索を行うため,ユーザ・ツー・ユーザ・ユーザ(u2u)ハイパーグラフとアイテム・ツー・テム(i2i)ハイパーグラフという2つのハイパーグラフを構築し,ユーザ間の共有嗜好をマイニングし,項目間の複雑な意味的類似性を抽出する。 このプロセスは、データ空間の問題を軽減するために、一階のユーザ-イテム相互作用と融合したより密集した2階のセマンティクスを生成する。 そして、相乗的コントラスト学習を適用して、コントラスト的特徴強化パラダイムを設計する。 同一/異なるユーザやアイテムの2階目(例えば、ユーザの共有嗜好パターン)と1階目(ユーザの選択した項目の情報)の埋め込みの相互情報を最大・最小化することにより、特徴の識別性を効果的に向上させることができる。 我々のMMHCLは,スパース・プライマリ・ユーザ・イテム・インタラクションのみを用いて,より密集した2階ハイパーグラフを取得し,より豊富な共有属性を発掘し,ユーザ・プロダクト・アソシエーションを探索することで,データの分散性やコールドスタートの問題をある程度緩和する。 本手法の有効性を総合的に検証した。 私たちのコードは、https://github.com/Xu107/MMHCLで公開されています。

関連論文リスト

• Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation [7.6572888950554905]
  拡散型シーケンスレコメンデーション(DiQDiff)のための分散量子ガイダンスを提案する。 DiQDiffは、ユーザ関心を理解するための堅牢なガイダンスを抽出し、DM内でパーソナライズされたユーザ関心のための優れたアイテムを生成することを目的としている。 先行するアプローチに対するDiQDiffの優れたレコメンデーション性能は、シーケンシャルなレコメンデーションタスクにおける有効性を示している。
  論文  参考訳（メタデータ） (2025-01-29T14:20:42Z)
• GUME: Graphs and User Modalities Enhancement for Long-Tail Multimodal Recommendation [13.1192216083304]
  本稿では,長期マルチモーダルレコメンデーションのための新しいグラフとユーザモダリティエンハンスメント(GUME)を提案する。 具体的には、アイテム間のマルチモーダルな類似性を用いて、まずユーザ-テムグラフを拡張します。 次に、明示的なインタラクション機能と拡張された関心機能という2つのタイプのユーザモダリティを構築します。
  論文  参考訳（メタデータ） (2024-07-17T06:29:00Z)
• Graph Bayesian Optimization for Multiplex Influence Maximization [9.155955744238852]
  インフルエンス(IM)とは、ソーシャルネットワーク内の初期影響力のあるユーザ数を限定的に特定し、影響力のあるユーザ数を最大化する問題である。 これまでの研究は主に、複数の情報項目の同時的かつインタラクティブな拡散を無視して、個々の情報伝達に焦点を当ててきた。 本稿では,情報関連機構を持つ拡散モデルを用いて,まず多重化最大化(Multi-IM)問題を定式化する。
  論文  参考訳（メタデータ） (2024-03-25T14:50:01Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)

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。