論文の概要: Sequences as Nodes for Contrastive Multimodal Graph Recommendation

• arxiv url: http://arxiv.org/abs/2602.07208v1
• Date: Fri, 06 Feb 2026 21:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.507133
• Title: Sequences as Nodes for Contrastive Multimodal Graph Recommendation
• Title（参考訳）: コントラスト型マルチモーダルグラフレコメンデーションのためのノードとしてのシーケンス
• Authors: Bucher Sahyouni, Matthew Vowels, Liqun Chen, Simon Hadfield,
• Abstract要約: 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。
• 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: To tackle cold-start and data sparsity issues in recommender systems, numerous multimodal, sequential, and contrastive techniques have been proposed. While these augmentations can boost recommendation performance, they tend to add noise and disrupt useful semantics. To address this, we propose MuSICRec (Multimodal Sequence-Item Contrastive Recommender), a multi-view graph-based recommender that combines collaborative, sequential, and multimodal signals. We build a sequence-item (SI) view by attention pooling over the user's interacted items to form sequence nodes. We propagate over the SI graph, obtaining a second view organically as an alternative to artificial data augmentation, while simultaneously injecting sequential context signals. Additionally, to mitigate modality noise and align the multimodal information, the contribution of text and visual features is modulated according to an ID-guided gate. We evaluate under a strict leave-two-out split against a broad range of sequential, multimodal, and contrastive baselines. On the Amazon Baby, Sports, and Electronics datasets, MuSICRec outperforms state-of-the-art baselines across all model types. We observe the largest gains for short-history users, mitigating sparsity and cold-start challenges. Our code is available at https://anonymous.4open.science/r/MuSICRec-3CEE/ and will be made publicly available.
• Abstract（参考訳）: 推薦システムにおけるコールドスタートとデータ空間の問題に対処するために、多数のマルチモーダル、シーケンシャル、コントラッシブな手法が提案されている。 これらの拡張によってレコメンデーションのパフォーマンスが向上するが、ノイズを追加し、有用なセマンティクスを妨害する傾向がある。 そこで我々は,Multimodal Sequence-Item Contrastive Recommender (Multimodal Sequence-Item Concommender)を提案する。 我々は、ユーザの対話したアイテムに注意を集中してシーケンス・イテム(SI)ビューを構築し、シーケンスノードを形成する。 我々はSIグラフを伝搬し、人工的なデータ拡張の代替として第2のビューを有機的に取得し、同時にシーケンシャルなコンテキスト信号を注入する。 さらに、モダリティノイズを緩和し、マルチモーダル情報を調整するために、ID誘導ゲートに従ってテキストや視覚的特徴の寄与を変調する。 逐次的, マルチモーダル, コントラッシブなベースラインに対して, 厳密な2段階分割で評価を行った。 Amazon Baby、Sports、Electronicsのデータセットでは、MuSICRecはすべてのモデルタイプで最先端のベースラインを上回っている。 短史的ユーザーにとって最大の利益は、スパシティとコールドスタートの課題を緩和することである。 私たちのコードはhttps://anonymous.4open.science/r/MuSICRec-3CEE/で公開されています。

関連論文リスト

• Multimodal Enhancement of Sequential Recommendation [10.466765832314683]
  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。
  論文  参考訳（メタデータ） (2026-02-06T21:32:56Z)
• Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation [13.355017204983973]
  シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 本稿では,MSDCCL(Multi-level Sequence Denoising with Cross-signal Contrastive Learning)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-22T04:57:33Z)
• 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)
• Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
  本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。 提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2023-05-08T10:57:56Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation [58.02630582309427]
  本稿では,コントラスト学習を変分オートエンコーダの枠組みに組み込むことを提案する。 ContrastELBOは,従来のシングルビューELBOを2ビューケースに拡張した,新しいトレーニング目標である。 また、コントラストELBOの具体化として、コントラスト正規化を備えた2分岐VAEモデルであるContrastVAEを提案する。
  論文  参考訳（メタデータ） (2022-08-27T03:35:00Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。