論文の概要: VI-MMRec: Similarity-Aware Training Cost-free Virtual User-Item Interactions for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2512.08702v1
• Date: Tue, 09 Dec 2025 15:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.017651
• Title: VI-MMRec: Similarity-Aware Training Cost-free Virtual User-Item Interactions for Multimodal Recommendation
• Title（参考訳）: VI-MMRec: マルチモーダルレコメンデーションのためのコストフリー仮想ユーザ-アイテムインタラクション
• Authors: Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Zitong Wan, Hewei Wang, Weijie Liu, Yijie Li, Edith C. H. Ngai,
• Abstract要約: 疎密なユーザ・イテムインタラクションを充実させるモデルに依存しない,コストフリーなフレームワークであるVI-MMRecを提案する。 これらの仮想インタラクションは、ユーザインタラクションアイテムのモダリティ固有の特徴類似性に基づいて構築される。 VI-MMRecはプラグイン・アンド・プレイのフレームワークであり、既存のモデルとシームレスに統合し、コアアーキテクチャを変更することなくパフォーマンスを向上させる。
• 参考スコア（独自算出の注目度）: 14.611185073990582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although existing multimodal recommendation models have shown promising performance, their effectiveness continues to be limited by the pervasive data sparsity problem. This problem arises because users typically interact with only a small subset of available items, leading existing models to arbitrarily treat unobserved items as negative samples. To this end, we propose VI-MMRec, a model-agnostic and training cost-free framework that enriches sparse user-item interactions via similarity-aware virtual user-item interactions. These virtual interactions are constructed based on modality-specific feature similarities of user-interacted items. Specifically, VI-MMRec introduces two different strategies: (1) Overlay, which independently aggregates modality-specific similarities to preserve modality-specific user preferences, and (2) Synergistic, which holistically fuses cross-modal similarities to capture complementary user preferences. To ensure high-quality augmentation, we design a statistically informed weight allocation mechanism that adaptively assigns weights to virtual user-item interactions based on dataset-specific modality relevance. As a plug-and-play framework, VI-MMRec seamlessly integrates with existing models to enhance their performance without modifying their core architecture. Its flexibility allows it to be easily incorporated into various existing models, maximizing performance with minimal implementation effort. Moreover, VI-MMRec introduces no additional overhead during training, making it significantly advantageous for practical deployment. Comprehensive experiments conducted on six real-world datasets using seven state-of-the-art multimodal recommendation models validate the effectiveness of our VI-MMRec.
• Abstract（参考訳）: 既存のマルチモーダルレコメンデーションモデルは有望な性能を示したが、その効果は広範に分散したデータ空間の問題によって制限され続けている。 この問題は、ユーザーが利用可能なアイテムの小さなサブセットだけと対話するため、既存のモデルでは、観測されていないアイテムをネガティブなサンプルとして任意に扱うことになる。 そこで本研究では, 類似性を考慮した仮想ユーザ・イテムインタラクションにより, 疎密なユーザ・イテムインタラクションを充実させる, モデルに依存しない, トレーニング不要なフレームワークVI-MMRecを提案する。 これらの仮想インタラクションは、ユーザインタラクションアイテムのモダリティ固有の特徴類似性に基づいて構築される。 具体的には,(1)モダリティ固有の類似性を独立に集約してモダリティ固有のユーザの嗜好を保存するオーバーレイ,(2)相補的なユーザの嗜好を捉えるためにモダリティ間の類似性を均等に融合させる相乗効果,という2つの戦略を導入する。 高品質化を実現するため,データセット固有のモダリティ関連性に基づく仮想ユーザ・イテムインタラクションに重みを適応的に割り当てる統計情報に基づく重み割り当て機構を設計する。 VI-MMRecはプラグイン・アンド・プレイのフレームワークであり、既存のモデルとシームレスに統合し、コアアーキテクチャを変更することなくパフォーマンスを向上させる。 柔軟性により、様々な既存モデルに容易に組み込むことができ、最小限の実装労力でパフォーマンスを最大化できます。 さらに、VI-MMRecはトレーニング中に追加のオーバーヘッドを導入せず、実用的なデプロイメントに非常に有利である。 7つの最先端マルチモーダルレコメンデーションモデルを用いて6つの実世界のデータセットで実施した総合実験により、我々のVI-MMRecの有効性が検証された。

関連論文リスト

• Structurally Refined Graph Transformer for Multimodal Recommendation [13.296555757708298]
  構造的に最適化されたマルチモーダルレコメンデーションモデルSRGFormerを提案する。 モデルへのより良い統合のためにトランスフォーマーを変更することで、ユーザの全体的な行動パターンをキャプチャします。 そして,マルチモーダル情報をハイパーグラフ構造に埋め込み,ユーザとアイテム間の局所構造を学習する。
  論文  参考訳（メタデータ） (2025-11-01T15:18:00Z)
• I$^3$-MRec: Invariant Learning with Information Bottleneck for Incomplete Modality Recommendation [56.55935146424585]
  textbfIncomplete textbfModality textbfRecommendation の textbfInformation ボトルネック原理を用いて学習する textbfI$3$-MRec を紹介する。 それぞれのモダリティを異なる意味環境として扱うことで、I$3$-MRecは、優先指向の表現を学習するために不変リスク最小化(IRM)を採用する。 I$3$-MRecは、様々なモダリティ欠落シナリオにおいて、既存の最先端MSSメソッドを一貫して上回る
  論文  参考訳（メタデータ） (2025-08-06T09:29:50Z)
• M^2VAE: Multi-Modal Multi-View Variational Autoencoder for Cold-start Item Recommendation [14.644213412218742]
  コールドスタートアイテムレコメンデーションはレコメンデーションシステムにおいて重要な課題である。 既存の方法は、コールドスタート問題を緩和するためにマルチモーダルコンテンツを利用する。 本稿では,属性とマルチモーダルの特徴の共通性とユニークなビューをモデル化する上での課題に対処する生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-01T09:16:26Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。