論文の概要: IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2512.19983v1
• Date: Tue, 23 Dec 2025 02:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.713664
• Title: IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation
• Title（参考訳）: IGDMRec:マルチモーダル勧告のための行動条件付き項目グラフ拡散
• Authors: Ziyuan Guo, Jie Guo, Zhenghao Chen, Bin Song, Fei Richard Yu,
• Abstract要約: マルチモーダルレコメンデーションシステム(MRS)は、様々なオンラインプラットフォームにおいて重要であり、マルチモーダル情報を取り入れたより正確なパーソナライズレコメンデーションを提供する。 本稿では, セマンティックな項目グラフを識別するために, 分類不要なガイダンス付き拡散モデルを利用する新しい手法IGDMRecを提案する。 4つの実世界のデータセットに対する大規模な実験は、IGDMRecが競合ベースラインよりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 21.87097387902408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal recommender systems (MRSs) are critical for various online platforms, offering users more accurate personalized recommendations by incorporating multimodal information of items. Structure-based MRSs have achieved state-of-the-art performance by constructing semantic item graphs, which explicitly model relationships between items based on modality feature similarity. However, such semantic item graphs are often noisy due to 1) inherent noise in multimodal information and 2) misalignment between item semantics and user-item co-occurrence relationships, which introduces false links and leads to suboptimal recommendations. To address this challenge, we propose Item Graph Diffusion for Multimodal Recommendation (IGDMRec), a novel method that leverages a diffusion model with classifier-free guidance to denoise the semantic item graph by integrating user behavioral information. Specifically, IGDMRec introduces a Behavior-conditioned Graph Diffusion (BGD) module, incorporating interaction data as conditioning information to guide the denoising of the semantic item graph. Additionally, a Conditional Denoising Network (CD-Net) is designed to implement the denoising process with manageable complexity. Finally, we propose a contrastive representation augmentation scheme that leverages both the denoised item graph and the original item graph to enhance item representations. \LL{Extensive experiments on four real-world datasets demonstrate the superiority of IGDMRec over competitive baselines, with robustness analysis validating its denoising capability and ablation studies verifying the effectiveness of its key components.
• Abstract（参考訳）: マルチモーダルレコメンデーションシステム(MRS)は、様々なオンラインプラットフォームにおいて重要であり、アイテムのマルチモーダル情報を取り入れたより正確なパーソナライズレコメンデーションを提供する。 構造に基づくMSSは、モダリティの特徴的類似性に基づく項目間の関係を明示的にモデル化する意味項目グラフを構築することによって、最先端のパフォーマンスを実現している。 しかし、そのような意味項目グラフは、しばしばノイズが多い。 1)マルチモーダル情報と固有ノイズ 2) 項目のセマンティクスとユーザとイタムの共起関係のミスアライメントは, 偽リンクを導入し, 準最適レコメンデーションにつながる。 この課題に対処するため,ユーザ行動情報を統合して意味項目グラフをデノマイズするための分類なしガイダンス付き拡散モデルを利用するIGDMRec(Item Graph Diffusion for Multimodal Recommendation)を提案する。 具体的には、IGDMRecは、動作条件付きグラフ拡散(BGD)モジュールを導入し、相互作用データを条件情報として組み込んで、セマンティックアイテムグラフの識別をガイドする。 さらに、コンディショナル・デノナイジング・ネットワーク(CD-Net)は、管理可能な複雑さでデノナイジング・プロセスを実装するように設計されている。 最後に,識別された項目グラフと元の項目グラフの両方を活用して項目表現を強化するコントラスト表現拡張手法を提案する。 4つの実世界のデータセット上でのLL{extensive experimentは、IGDMRecの競争ベースラインよりも優れていることを示す。

関連論文リスト

• EGRA:Toward Enhanced Behavior Graphs and Representation Alignment for Multimodal Recommendation [50.848374648774374]
  MMR(MultiModal Recommendation)システムは、リッチな項目側モダリティ情報を活用することで、推奨品質を改善するための有望なソリューションとして登場した。 本稿では,事前学習したMMRモデルにより生成された表現から構築されたアイテム-イムグラフの挙動グラフを組み込んだEGRAを提案する。 また、両レベルの動的アライメント重み付け機構を導入し、モダリティ・ビヘイビアのアライメントアライメントを改善する。
  論文  参考訳（メタデータ） (2025-08-22T07:47:54Z)
• Semantic Item Graph Enhancement for Multimodal Recommendation [49.66272783945571]
  マルチモーダルレコメンデーションシステムは、商品のマルチモーダル情報を活用することで、パフォーマンスの向上に注目が集まっている。 先行する手法は、しばしばモダリティ固有のアイテム・イテム意味グラフを生のモダリティの特徴から構築する。 これらのセマンティックグラフは、アイテム間の協調信号のモデリングが不十分ななど、セマンティックな欠陥に悩まされている。
  論文  参考訳（メタデータ） (2025-08-08T09:20:50Z)
• SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation [13.3951304427872]
  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。
  論文  参考訳（メタデータ） (2025-07-14T07:32:16Z)
• Graph-based Diffusion Model for Collaborative Filtering [10.654721251152187]
  協調フィルタリングのためのグラフベース拡散モデル(GDMCF)を提案する。 GDMCFは最先端の手法を一貫して上回り、高次協調信号のキャプチャの有効性を強調している。
  論文  参考訳（メタデータ） (2025-04-07T12:51:18Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• 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)
• Relation Modeling and Distillation for Learning with Noisy Labels [4.556974104115929]
  本稿では,自己教師型学習を通して,サンプル間の関係をモデル化する関係モデリングと蒸留の枠組みを提案する。 提案手法は,ノイズの多いデータに対する識別表現を学習し,既存の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T01:47:27Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)

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。