論文の概要: Hybrid-Hierarchical Fashion Graph Attention Network for Compatibility-Oriented and Personalized Outfit Recommendation

• arxiv url: http://arxiv.org/abs/2508.11105v2
• Date: Wed, 20 Aug 2025 12:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 12:38:45.394997
• Title: Hybrid-Hierarchical Fashion Graph Attention Network for Compatibility-Oriented and Personalized Outfit Recommendation
• Title（参考訳）: 適合性指向およびパーソナライズされたアウトフィットレコメンデーションのためのハイブリッド階層型ファッショングラフアテンションネットワーク
• Authors: Sajjad Saed, Babak Teimourpour,
• Abstract要約: 本研究は、階層グラフ表現とグラフアテンション機構を併用してこの問題に対処するFGATという新しいフレームワークを提案する。 このフレームワークは、ユーザ、衣装、アイテムの3層グラフを構築し、視覚的特徴とテキスト的特徴を統合して、服の互換性とユーザの好みを共同でモデル化する。 FGATはHFGNなどの強力なベースラインよりも優れており、精度、精度、HR、リコール、NDCGの顕著な改善を実現している。
• 参考スコア（独自算出の注目度）: 1.864621482724548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of the fashion industry and the growing variety of products have made it increasingly challenging for users to identify compatible items on e-commerce platforms. Effective fashion recommendation systems are therefore crucial for filtering irrelevant options and suggesting suitable ones. However, simultaneously addressing outfit compatibility and personalized recommendations remains a significant challenge, as these aspects are typically treated independently in existing studies, thereby overlooking the complex interactions between items and user preferences. This research introduces a new framework named FGAT, which leverages a hierarchical graph representation together with graph attention mechanisms to address this problem. The framework constructs a three-tier graph of users, outfits, and items, integrating visual and textual features to jointly model outfit compatibility and user preferences. By dynamically weighting node importance during representation propagation, the graph attention mechanism captures key interactions and produces precise embeddings for both user preferences and outfit compatibility. Evaluated on the POG dataset, FGAT outperforms strong baselines such as HFGN, achieving notable improvements in accuracy, precision, HR, recall, and NDCG. These results demonstrate that combining multimodal visual and textual features with a hierarchical graph structure and attention mechanisms significantly enhances the effectiveness and efficiency of personalized fashion recommendation systems.
• Abstract（参考訳）: ファッション産業の急速な拡大とさまざまな製品の増加により、ユーザーがEコマースプラットフォーム上で互換性のあるアイテムを特定することはますます困難になっている。 したがって、効果的なファッションレコメンデーションシステムは、無関係なオプションをフィルタリングし、適切なオプションを提案するのに不可欠である。 しかしながら、これらの側面は既存の研究では独立して扱われ、アイテムとユーザの嗜好の間の複雑な相互作用を見越すため、服の互換性とパーソナライズされたレコメンデーションに同時に対処することは大きな課題である。 本研究は、階層グラフ表現とグラフアテンション機構を併用してこの問題に対処するFGATという新しいフレームワークを提案する。 このフレームワークは、ユーザ、衣装、アイテムの3層グラフを構築し、視覚的特徴とテキスト的特徴を統合して、服の互換性とユーザの好みを共同でモデル化する。 表現伝搬中のノードの重要性を動的に重み付けすることにより、グラフアテンション機構はキーインタラクションを捕捉し、ユーザの好みと服装の互換性の両方に正確な埋め込みを生成する。 POGデータセットに基づいて評価されたFGATは、HFGNなどの強力なベースラインを上回り、精度、精度、HR、リコール、NDCGの顕著な改善を実現している。 これらの結果は、マルチモーダルな視覚的特徴とテキスト的特徴と階層的なグラフ構造と注意機構を組み合わせることで、パーソナライズされたファッションレコメンデーションシステムの有効性と効率を大幅に向上させることを示した。

関連論文リスト

• Hypergraph Diffusion for High-Order Recommender Systems [5.71357784811215]
  本稿では,ウェーブレット強化ハイパーグラフ拡散フレームワークであるWaveHDNNを紹介する。 WaveHDNNは、さまざまなカテゴリにわたるユーザとイテムのインタラクションをキャプチャするために設計された、ヘテロフィア対応のコラボレーティブと、マルチスケールなグループワイド構造を統合している。 クロスビューのコントラスト学習は、堅牢で一貫した表現を維持するために使用される。
  論文  参考訳（メタデータ） (2025-01-28T05:59:29Z)
• Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems [5.465420718331109]
  グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。 本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T11:49:33Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• 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)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。