論文の概要: Knowledge graph-based personalized multimodal recommendation fusion framework

• arxiv url: http://arxiv.org/abs/2509.02943v1
• Date: Wed, 03 Sep 2025 02:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.388115
• Title: Knowledge graph-based personalized multimodal recommendation fusion framework
• Title（参考訳）: 知識グラフに基づくパーソナライズされたマルチモーダルリコメンデーション融合フレームワーク
• Authors: Yu Fang,
• Abstract要約: クロスグラフ相互相互情報駆動型統一知識グラフ学習と推薦フレームワーク(CrossGMMI-DUKGLR) 本稿では,既存の知識グラフレコメンデーションフレームワークをレビューし,モーダルインタラクションと高次依存性モデリングの欠点を特定する。 クロスグラフな相互情報駆動型統一知識グラフ学習と推薦フレームワーク(CrossGMMI-DUKGLR)を提案する。
• 参考スコア（独自算出の注目度）: 8.468510273008393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the contemporary age characterized by information abundance, rapid advancements in artificial intelligence have rendered recommendation systems indispensable. Conventional recommendation methodologies based on collaborative filtering or individual attributes encounter deficiencies in capturing nuanced user interests. Knowledge graphs and multimodal data integration offer enhanced representations of users and items with greater richness and precision. This paper reviews existing multimodal knowledge graph recommendation frameworks, identifying shortcomings in modal interaction and higher-order dependency modeling. We propose the Cross-Graph Cross-Modal Mutual Information-Driven Unified Knowledge Graph Learning and Recommendation Framework (CrossGMMI-DUKGLR), which employs pre-trained visual-text alignment models for feature extraction, achieves fine-grained modality fusion through multi-head cross-attention, and propagates higher-order adjacency information via graph attention networks.
• Abstract（参考訳）: 情報豊かさを特徴とする現代では、人工知能の急速な進歩はレコメンデーションシステムに欠かせないものとなっている。 協調フィルタリングや個人属性に基づく従来のレコメンデーション手法は、未成年者の興味をとらえる際の欠陥に遭遇する。 知識グラフとマルチモーダルデータ統合は、より豊かで精度の高いユーザやアイテムの表現を向上する。 本稿では,既存のマルチモーダル知識グラフレコメンデーションフレームワークをレビューし,モーダルインタラクションと高次依存性モデリングの欠点を特定する。 クロスグラフ・クロスモーダルな相互情報駆動型統一知識グラフ学習・推薦フレームワーク(CrossGMMI-DUKGLR)を提案する。

関連論文リスト

• 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)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• An Efficient Recommendation Model Based on Knowledge Graph Attention-Assisted Network (KGATAX) [0.0]
  本研究では,新しい推薦モデルである知識グラフ注意支援ネットワーク(KGAT-AX)を提案する。 まず、知識グラフをレコメンデーションモデルに組み込み、高次接続性を探るための注意機構を導入する。 我々は、ホログラム埋め込みを通じてエンティティに補助情報を統合し、各エンティティの隣り合うエンティティの情報を、それらの推論関係を学習することによって集約する。
  論文  参考訳（メタデータ） (2024-09-05T16:42:50Z)
• DiffMM: Multi-Modal Diffusion Model for Recommendation [19.43775593283657]
  DiffMMと呼ばれる新しいマルチモーダルグラフ拡散モデルを提案する。 本フレームワークは,モダリティを意識したグラフ拡散モデルとクロスモーダルコントラスト学習パラダイムを統合し,モダリティを意識したユーザ表現学習を改善する。
  論文  参考訳（メタデータ） (2024-06-17T17:35:54Z)
• Tokenization, Fusion, and Augmentation: Towards Fine-grained Multi-modal Entity Representation [51.80447197290866]
  マルチモーダル知識グラフ補完(MMKGC)は、与えられた知識グラフから観測されていない知識を発見することを目的としている。 既存のMMKGCメソッドは通常、事前訓練されたモデルでマルチモーダルな特徴を抽出する。 エンティティの微細なマルチモーダル表現をトークン化し、融合し、拡張する新しいフレームワークであるMyGOを紹介します。
  論文  参考訳（メタデータ） (2024-04-15T05:40:41Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Towards Consistency and Complementarity: A Multiview Graph Information Bottleneck Approach [25.40829979251883]
  共有(一貫性)とビュー固有(相補性)情報をモデル化し、統合する方法は、マルチビューグラフ解析において重要な問題である。 本稿では,共通表現の合意とビュー固有表現の不一致を最大化するために,MVGIB(Multiview Variational Graph Information Bottleneck)の原理を提案する。
  論文  参考訳（メタデータ） (2022-10-11T13:51:34Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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。