論文の概要: PRISM: Personalized Recommendation via Information Synergy Module

• arxiv url: http://arxiv.org/abs/2601.10944v1
• Date: Fri, 16 Jan 2026 02:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.333749
• Title: PRISM: Personalized Recommendation via Information Synergy Module
• Title（参考訳）: PRISM:information Synergy Moduleによるパーソナライズされたレコメンデーション
• Authors: Xinyi Zhang, Yutong Li, Peijie Sun, Letian Sha, Zhongxuan Han,
• Abstract要約: PRISMはシーケンシャルレコメンデーション(SR)のためのプラグイン・アンド・プレイフレームワークである マルチモーダル情報をユニークで冗長でシナジスティックなコンポーネントに分解する。 4つのデータセットと3つのSRバックボーンの実験は、その有効性と汎用性を示している。
• 参考スコア（独自算出の注目度）: 12.797662213207936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal sequential recommendation (MSR) leverages diverse item modalities to improve recommendation accuracy, while achieving effective and adaptive fusion remains challenging. Existing MSR models often overlook synergistic information that emerges only through modality combinations. Moreover, they typically assume a fixed importance for different modality interactions across users. To address these limitations, we propose \textbf{P}ersonalized \textbf{R}ecommend-ation via \textbf{I}nformation \textbf{S}ynergy \textbf{M}odule (PRISM), a plug-and-play framework for sequential recommendation (SR). PRISM explicitly decomposes multimodal information into unique, redundant, and synergistic components through an Interaction Expert Layer and dynamically weights them via an Adaptive Fusion Layer guided by user preferences. This information-theoretic design enables fine-grained disentanglement and personalized fusion of multimodal signals. Extensive experiments on four datasets and three SR backbones demonstrate its effectiveness and versatility. The code is available at https://github.com/YutongLi2024/PRISM.
• Abstract（参考訳）: マルチモーダルシーケンシャルレコメンデーション(MSR)は、様々な項目のモダリティを活用してレコメンデーション精度を向上させる一方で、効果的かつ適応的な融合を実現することは依然として困難である。 既存のMSRモデルは、しばしばモダリティの組み合わせを通してのみ現れる相乗的情報を見落としている。 さらに、彼らは通常、ユーザ間の異なるモダリティ相互作用において、固定的な重要性を前提とします。 これらの制約に対処するため、逐次レコメンデーション(SR)のためのプラグイン・アンド・プレイフレームワークである、XMLbf{P}ersonalized \textbf{R}ecommend-ation(PRISM)を提案する。 PRISMは、インタラクションエキスパート層を通じて、マルチモーダル情報をユニークで冗長でシナジスティックなコンポーネントに明示的に分解し、ユーザの好みによってガイドされたアダプティブフュージョン層を介して動的に重み付けする。 この情報理論設計は、微細な絡み合いとマルチモーダル信号のパーソナライズ可能な融合を可能にする。 4つのデータセットと3つのSRバックボーンに関する大規模な実験は、その有効性と汎用性を示している。 コードはhttps://github.com/YutongLi2024/PRISM.comで入手できる。

関連論文リスト

• Cross-Modal Attention Network with Dual Graph Learning in Multimodal Recommendation [12.802844514133255]
  二重グラフ埋め込み(CRANE)を用いたクロスモーダル再帰注意ネットワーク 我々は,共同潜在空間における相互相関に基づくモダリティ特徴を反復的に洗練するコア再帰的クロスモーダルアテンション(RCA)機構を設計する。 対称型マルチモーダル学習では,対話した項目の特徴を集約することで,ユーザのマルチモーダルプロファイルを明示的に構築する。
  論文  参考訳（メタデータ） (2026-01-16T10:09:39Z)
• 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)
• REMOTE: A Unified Multimodal Relation Extraction Framework with Multilevel Optimal Transport and Mixture-of-Experts [20.43650235783012]
  マルチモーダル関係抽出(MRE)は知識グラフとマルチメディアの分野において重要な課題である。 本稿では,マルチレベル最適輸送と混合実験を用いた新しいテキスト化マルチモーダル関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T06:52:03Z)
• Multi-modal Adaptive Mixture of Experts for Cold-start Recommendation [1.9967512860886603]
  MAMEXはマルチモーダルなコールドスタートレコメンデーションのための新しいフレームワークである。 異なるモダリティから潜在表現を動的に活用する。 実験では、MAMEXはコールドスタートシナリオで最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-08-11T14:47:14Z)
• 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)
• Federated Vision-Language-Recommendation with Personalized Fusion [48.25209840295838]
  本稿では、ユーザ固有の視覚言語表現の融合のために特別に設計されたフェデレーションVLRフレームワークであるFedVLRを紹介する。 提案したFedVLRの有効性を7つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-11T03:10:09Z)
• 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)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• 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)

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。