論文の概要: SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2507.09998v1
• Date: Mon, 14 Jul 2025 07:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.470562
• Title: SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation
• Title（参考訳）: SLIF-MR:マルチモーダルレコメンデーションのための不均一補助情報の自己ループ反復核融合
• Authors: Jie Guo, Jiahao Jiang, Ziyuan Guo, Bin Song, Yue Sun,
• Abstract要約: マルチモーダルレコメンデーション(SLIF-MR)のための不均一補助情報の自己ループ反復融合(Self-loop Iterative Fusion)という新しいフレームワークを提案する。 SLIF-MRは、KG、マルチモーダルアイテム特徴グラフ、ユーザ-イテム相互作用グラフからなる異種グラフ構造を動的に最適化するために、以前のトレーニングエポックからの項目表現をフィードバック信号として活用する。 実験により、SLIF-MRは既存の手法、特に精度と堅牢性において著しく優れていた。
• 参考スコア（独自算出の注目度）: 13.3951304427872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) and multimodal item information, which respectively capture relational and attribute features, play a crucial role in improving recommender system accuracy. Recent studies have attempted to integrate them via multimodal knowledge graphs (MKGs) to further enhance recommendation performance. However, existing methods typically freeze the MKG structure during training, which limits the full integration of structural information from heterogeneous graphs (e.g., KG and user-item interaction graph), and results in sub-optimal performance. To address this challenge, we propose a novel framework, termed Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation (SLIF-MR), which leverages item representations from previous training epoch as feedback signals to dynamically optimize the heterogeneous graph structures composed of KG, multimodal item feature graph, and user-item interaction graph. Through this iterative fusion mechanism, both user and item representations are refined, thus improving the final recommendation performance. Specifically, based on the feedback item representations, SLIF-MR constructs an item-item correlation graph, then integrated into the establishment process of heterogeneous graphs as additional new structural information in a self-loop manner. Consequently, the internal structures of heterogeneous graphs are updated with the feedback item representations during training. Moreover, a semantic consistency learning strategy is proposed to align heterogeneous item representations across modalities. The experimental results show that SLIF-MR significantly outperforms existing methods, particularly in terms of accuracy and robustness.
• Abstract（参考訳）: 知識グラフ (KGs) とマルチモーダルアイテム情報 (Multimodal item information) は、それぞれリレーショナル特徴と属性特徴を捉え、レコメンダシステムの精度を向上させる上で重要な役割を担っている。 近年の研究では、マルチモーダル知識グラフ(MKG)を通じてそれらを統合し、レコメンデーション性能をさらに高めようとしている。 しかし、既存の手法は訓練中にMKG構造を凍結し、不均一グラフ(例えば、KGとユーザ-itemの相互作用グラフ)からの構造情報の完全統合を制限し、結果として準最適性能をもたらす。 この課題に対処するため,本稿では,KG,マルチモーダルアイテム特徴グラフ,ユーザ-テム相互作用グラフからなる異種グラフ構造を動的に最適化するために,前回のトレーニングエポックからの項目表現をフィードバック信号として活用する,自己ループ・イテレーティブ・フュージョン(Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation, SLIF-MR)という新しいフレームワークを提案する。 この反復融合機構により、ユーザとアイテムの表現が洗練され、最終的なレコメンデーション性能が向上する。 具体的には、フィードバック項目の表現に基づいて、SLIF-MRはアイテム-イム相関グラフを構築し、その後、自己ループ方式で新たな構造情報として異種グラフの確立プロセスに統合する。 その結果、不均一グラフの内部構造は、トレーニング中のフィードバック項目表現とともに更新される。 さらに,不均一な項目表現をモダリティ間で整合させる意味的整合性学習戦略を提案する。 実験結果から,SLIF-MRは既存の手法,特に精度とロバスト性において有意に優れていた。

関連論文リスト

• Complementarity-driven Representation Learning for Multi-modal Knowledge Graph Completion [0.0]
  我々はMixture of Complementary Modality Experts (MoCME)という新しいフレームワークを提案する。 MoCMEはComplementarity-guided Modality Knowledge Fusion (CMKF)モジュールとEntropy-guided Negative Sampling (EGNS)メカニズムで構成されている。 私たちのMoCMEは最先端のパフォーマンスを達成し、既存のアプローチを超越しています。
  論文  参考訳（メタデータ） (2025-07-28T08:35:11Z)
• KGIF: Optimizing Relation-Aware Recommendations with Knowledge Graph Information Fusion [16.971592142597544]
  本研究は, 自己認識機構を用いて, エンティティと関係埋め込みを明示的にマージするように設計された, 特殊なフレームワークを提案する。 この明示的な融合は、ユーザとイテムの相互作用とアイテムと属性の関係の相互作用を強化し、ユーザ中心とアイテム中心の表現の微妙なバランスを与える。 この研究の貢献には、明示的な情報融合のための革新的な方法、スパース知識グラフの堅牢性の改善、解釈可能な経路可視化を通じて説明可能なレコメンデーションを生成する能力が含まれる。
  論文  参考訳（メタデータ） (2025-01-07T22:19:15Z)
• MCSFF: Multi-modal Consistency and Specificity Fusion Framework for Entity Alignment [7.109735168520378]
  知識グラフの強化と質問応答システムの改善には,MMEA(Multi-modal entity alignment)が不可欠である。 既存の方法は、しばしばそれらの相補性を通じてモダリティを統合することにフォーカスするが、各モダリティの特異性を見落としている。 本稿では,モダリティの相補性と特異性の両方を革新的に統合するマルチモーダル一貫性・特異性融合フレームワーク(MCSFF)を提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:35:25Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Gradient Flow of Energy: A General and Efficient Approach for Entity Alignment Decoding [24.613735853099534]
  我々は,エンティティの埋め込みのみに依存する,新しい,一般化された,効率的なデコーディング手法をEAに導入する。 本手法はディリクレエネルギーを最小化してデコード処理を最適化し,グラフ内の勾配流を最大化し,グラフのホモフィリーを最大化する。 特に、この手法は、追加計算時間の6秒未満でこれらの進歩を達成する。
  論文  参考訳（メタデータ） (2024-01-23T14:31:12Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• MM-GEF: Multi-modal representation meet collaborative filtering [43.88159639990081]
  本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。 MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
  論文  参考訳（メタデータ） (2023-08-14T15:47:36Z)
• Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
  異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。 近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。 グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
  論文  参考訳（メタデータ） (2023-04-28T01:22:47Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
  本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。 我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
  論文  参考訳（メタデータ） (2020-10-23T10:30:24Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。