論文の概要: Multimodal Enhancement of Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2602.07207v1
• Date: Fri, 06 Feb 2026 21:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.506274
• Title: Multimodal Enhancement of Sequential Recommendation
• Title（参考訳）: シーケンスレコメンデーションのマルチモーダル化
• Authors: Bucher Sahyouni, Matthew Vowels, Liqun Chen, Simon Hadfield,
• Abstract要約: 本稿では,マルチモーダルおよびシーケンシャルなレコメンデーションパラダイムを統一する新しいレコメンデーションフレームワークであるMuSTRecを提案する。 MuSTRecは、抽出したテキストと視覚的特徴からアイテムとアイテムのグラフを構築することで、横断的な類似性と協調的なフィルタリング信号をキャプチャする。 複数のAmazonデータセット全体で、MuSTRecはマルチモーダルおよびシーケンシャルな最先端ベースラインよりも優れたパフォーマンス(最大33.5%の改善)を示している。
• 参考スコア（独自算出の注目度）: 10.466765832314683
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a novel recommender framework, MuSTRec (Multimodal and Sequential Transformer-based Recommendation), that unifies multimodal and sequential recommendation paradigms. MuSTRec captures cross-item similarities and collaborative filtering signals, by building item-item graphs from extracted text and visual features. A frequency-based self-attention module additionally captures the short- and long-term user preferences. Across multiple Amazon datasets, MuSTRec demonstrates superior performance (up to 33.5% improvement) over multimodal and sequential state-of-the-art baselines. Finally, we detail some interesting facets of this new recommendation paradigm. These include the need for a new data partitioning regime, and a demonstration of how integrating user embeddings into sequential recommendation leads to drastically increased short-term metrics (up to 200% improvement) on smaller datasets. Our code is availabe at https://anonymous.4open.science/r/MuSTRec-D32B/ and will be made publicly available.
• Abstract（参考訳）: 本稿では,マルチモーダルおよびシーケンシャルなレコメンデーションパラダイムを統一した新しいレコメンデーションフレームワーク MuSTRec (Multimodal and Sequential Transformer-based Recommendation) を提案する。 MuSTRecは、抽出したテキストと視覚的特徴からアイテムとアイテムのグラフを構築することで、横断的な類似性と協調的なフィルタリング信号をキャプチャする。 周波数ベースのセルフアテンションモジュールは、短期および長期のユーザの好みをキャプチャする。 複数のAmazonデータセット全体で、MuSTRecはマルチモーダルおよびシーケンシャルな最先端ベースラインよりも優れたパフォーマンス(最大33.5%の改善)を示している。 最後に、この新しいレコメンデーションパラダイムの興味深い側面をいくつか詳述する。 これらには、新しいデータパーティショニング体制の必要性や、シーケンシャルなレコメンデーションへのユーザの埋め込みの統合が、より小さなデータセットで短期的なメトリクス(最大200%の改善)を大幅に増加させる方法の実証が含まれている。 私たちのコードはhttps://anonymous.4open.science/r/MuSTRec-D32B/で利用可能です。

関連論文リスト

• Sequences as Nodes for Contrastive Multimodal Graph Recommendation [10.466765832314683]
  MuSICRecは、協調的、シーケンシャル、マルチモーダルな信号を組み合わせたグラフベースのレコメンデータである。 Amazon Baby、Sports、Electronicsのデータセットでは、MuSICRecは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-06T21:35:12Z)
• Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals [17.608491612845306]
  逐次リコメンデータシステムは、ユーザのインタラクション履歴をモデル化し、結果のユーザ表現とストアドアイテムの埋め込みの間の内部積を計算することで、関連する項目をランク付けする。 大きなアイテムを格納する際のメモリオーバーヘッドを大幅に回避するため、生成推奨パラダイムは、各アイテムを独立したセマンティックコードとしてモデル化する。 これらのメソッドは、大きなアイテムセットの伝統的なシーケンシャルなレコメンデータを超えておらず、それらが対処するように設計されたシナリオでの採用を制限する。 マルチモーダル・セマンティック・コラボレーション・ジェネレーティブ・レコメンダであるMSCGRecを提案する。
  論文  参考訳（メタデータ） (2026-02-03T16:39:35Z)
• HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
  HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。 長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。 ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
  論文  参考訳（メタデータ） (2025-10-15T16:45:59Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• 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)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。