論文の概要: Well Begun is Half Done: Training-Free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2604.14839v1
• Date: Thu, 16 Apr 2026 10:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.839874
• Title: Well Begun is Half Done: Training-Free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation
• Title（参考訳）: Well Begun is Half Done: Training-free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation
• Authors: Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Hewei Wang, Jianheng Tang, Wei Wang, Xiping Hu, Edith C. H. Ngai,
• Abstract要約: SG-URInit(Semantically Guaranteed User Representation Initialization)を提案する。 SG-URInitは、対話したアイテムのモダリティ特徴と対応するクラスタのグローバル特徴の両方を統合することで、ユーザ毎に初期表現を構築する。 私たちのSG-URInitはトレーニング不要でモデルに依存しないので、既存のマルチモーダルレコメンデーションモデルにシームレスに統合することができます。
• 参考スコア（独自算出の注目度）: 31.152204697348964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in multimodal recommendations, which leverage diverse modality information to mitigate data sparsity and improve recommendation accuracy, have gained significant attention. However, existing multimodal recommendations overlook the critical role of user representation initialization. Unlike items, which are naturally associated with rich modality information, users lack such inherent information. Consequently, item representations initialized based on meaningful modality information and user representations initialized randomly exhibit a significant semantic gap. To this end, we propose a Semantically Guaranteed User Representation Initialization (SG-URInit). SG-URInit constructs the initial representation for each user by integrating both the modality features of the items they have interacted with and the global features of their corresponding clusters. SG-URInit enables the initialization of semantically enriched user representations that effectively capture both local (item-level) and global (cluster-level) semantics. Our SG-URInit is training-free and model-agnostic, meaning it can be seamlessly integrated into existing multimodal recommendation models without incurring any additional computational overhead during training. Extensive experiments on multiple real-world datasets demonstrate that incorporating SG-URInit into advanced multimodal recommendation models significantly enhances recommendation performance. Furthermore, the results show that SG-URInit can further alleviate the item cold-start problem and also accelerate model convergence, making it an efficient and practical solution for multimodal recommendations.
• Abstract（参考訳）: マルチモーダルレコメンデーションの最近の進歩は、多種多様なモダリティ情報を活用してデータの分散を緩和し、レコメンデーション精度を向上させることで、大きな注目を集めている。 しかし、既存のマルチモーダルレコメンデーションは、ユーザ表現の初期化の重要な役割を見落としている。 リッチなモダリティ情報と自然に結びついているアイテムとは異なり、ユーザーはそのような固有の情報を欠いている。 その結果、意味のあるモダリティ情報に基づいて初期化された項目表現と、ランダムに初期化されたユーザ表現は、重要な意味的ギャップを示す。 そこで我々は,SG-URInit(Semantically Guaranteed User Representation Initialization)を提案する。 SG-URInitは、対話したアイテムのモダリティ特徴と対応するクラスタのグローバル特徴の両方を統合することで、ユーザ毎に初期表現を構築する。 SG-URInitは、ローカル(itemレベル)とグローバル(クラスタレベル)の両方のセマンティクスを効果的にキャプチャする、セマンティクスに富んだユーザー表現の初期化を可能にする。 私たちのSG-URInitはトレーニング不要でモデルに依存しないため、トレーニング中に追加の計算オーバーヘッドを発生させることなく、既存のマルチモーダルレコメンデーションモデルにシームレスに統合することができます。 複数の実世界のデータセットに対する大規模な実験により、SG-URInitを高度なマルチモーダルレコメンデーションモデルに組み込むことで、レコメンデーション性能が著しく向上することが示された。 さらに,SG-URInitは,項目のコールドスタート問題を緩和し,モデル収束を加速し,マルチモーダルレコメンデーションの効率的かつ実用的なソリューションであることを示す。

関連論文リスト

• CAMMSR: Category-Guided Attentive Mixture of Experts for Multimodal Sequential Recommendation [23.478610632707728]
  本稿では,マルチモーダルシーケンスレコメンデーションのためのカテゴリー誘導型専門家混合モデルを提案する。 中心となるCAMMSRは、専門的な項目表現を複数の視点から学習する専門家モジュールのカテゴリ誘導注意混合を導入した。 4つの公開データセットの実験は、CAMMSRが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-04T17:39:35Z)
• RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment [23.738860191046538]
  マルチモーダルなレコメンデーションのための新しい2つのセマンティックアライメントフレームワークRecGOATを提案する。 RecGOATは、我々の理論的洞察を実証的に検証し、最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-01-31T11:58:38Z)
• LEMUR: Large scale End-to-end MUltimodal Recommendation [16.60136276734522]
  生データからエンドツーエンドにトレーニングした,初の大規模マルチモーダルレコメンデーションシステムであるLEMURを提案する。 実世界の産業シナリオにおけるエンド・ツー・エンドのマルチモーダル・レコメンデーションの優位性を検証した。
  論文  参考訳（メタデータ） (2025-11-14T05:15:15Z)
• 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)
• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• 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)
• 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)

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。