論文の概要: One Graph, Multiple Gains: Single High-Quality Item-Item Graph for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2607.24607v1
• Date: Mon, 27 Jul 2026 16:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.506447
• Title: One Graph, Multiple Gains: Single High-Quality Item-Item Graph for Multimodal Recommendation
• Title（参考訳）: 一つのグラフと複数のゲイン:マルチモーダルレコメンデーションのための単一高品質項目グラフ
• Abstract要約: IIMRecは、前処理中に単一の高品質なアイテム-イットグラフを構築するフレームワークである。 グラフはセマンティック信号と共起信号を融合して構築され、近隣の一貫性エッジリウェイトにより洗練される。 IIMRecは、高速でGPUメモリを消費しながら、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 12.896323268160744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal recommendation leverages item multimodal features alongside collaborative signals to capture user preferences. While item-item graphs have become a key building block in advanced models, existing methods typically construct them with noisy similarity edges and limit their role to a single function of item-item representation propagation, leaving substantial potential untapped. In this paper, we propose IIMRec, a framework that constructs a single high-quality item-item graph during preprocessing and systematically reuses it across three stages of the recommendation pipeline: representation enhancement, interaction graph enhancement, and optimization enhancement. The graph is built by fusing semantic and co-occurrence signals, then refined via Neighborhood Consistency Edge Reweighting (NCER), which applies the triadic closure principle to amplify structurally reliable edges and suppress spurious ones. Once constructed, the graph is leveraged in three complementary ways: (1) Item-item propagation with a Residual II Gate (RIG) that adaptively controls per-item absorption of semantic neighborhood signals for representation enhancement; (2) A content-guided UI graph expansion that introduces virtual user-item edges through high-confidence semantic neighbors for interaction graph enhancement; (3) II-Neighbor BPR Augmentation (INA) that treats top neighbors of positive items as discounted soft positives for optimization enhancement. We provide theoretical analysis showing that NCER reduces the spectral noise-to-signal ratio, RIG converges to a non-degenerate gating regime, and INA yields a tighter generalization bound. Extensive experiments on four datasets demonstrate that IIMRec consistently outperforms state-of-the-art baselines while running faster and consuming less GPU memory, with particularly strong gains under cold-start and sparse-interaction conditions.
• Abstract（参考訳）: マルチモーダルレコメンデーションは、アイテムのマルチモーダル機能と協調的なシグナルを利用してユーザの好みをキャプチャする。 アイテム・イテムグラフは先進的なモデルにおいて重要な構成要素となっているが、既存の手法は通常、ノイズの多い類似性エッジでそれらを構成し、アイテム・イテム表現の1つの関数にその役割を制限し、潜在的な可能性を未然に残している。 本稿では,事前処理中に1つの高品質項目グラフを構築し,レコメンデーションパイプラインの3段階(表現強化,相互作用グラフ拡張,最適化強化)で体系的に再利用するフレームワークであるIIMRecを提案する。 このグラフは、セマンティック信号と共起信号とを融合して構築され、次に隣り合う一貫性エッジ再重み付け(NCER)を通して洗練され、三進的クロージャ原理を適用して、構造的に信頼性の高いエッジを増幅し、急激なエッジを抑圧する。 グラフは,(1)表現強調のためにセマンティック近隣信号の単位ごとの吸収を適応的に制御するResidual II Gate (RIG) によるアイテムイット伝搬,(2)対話グラフ強調のために高信頼セマンティック隣人を通して仮想ユーザイットエッジを導入するコンテンツ誘導UIグラフ拡張,(3)正のアイテムの上位隣人を扱うII-Neighbor BPR拡張(INA) の3つの相補的な方法で活用される。 我々は、NCERがスペクトル雑音-信号比を減少させ、RIGは非退化ゲーティング状態に収束し、INAはより厳密な一般化境界を得ることを示す理論的解析を行う。 4つのデータセットに対する大規模な実験により、IIMRecは最先端のベースラインを一貫して上回り、高速に動作し、GPUメモリを消費しにくくなっている。

関連論文リスト

• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Beyond the Flat Sequence: Hierarchical and Preference-Aware Generative Recommendations [35.58864660038236]
  我々はHPGR(Hierarchical and Preference-aware Generative Recommender)という新しいフレームワークを提案する。 まず、構造化を意識した事前学習段階において、セッションベースのMasked Item Modelingの目的を用いて、階層的にインフォームドされ、セマンティックにリッチなアイテム表現空間を学ぶ。 第二に、プライオリティ対応の微調整ステージは、これらの強力な表現を活用して、Preference-Guided Sparse Attentionメカニズムを実装する。
  論文  参考訳（メタデータ） (2026-03-01T08:15:34Z)
• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation [21.87097387902408]
  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。
  論文  参考訳（メタデータ） (2025-12-23T02:13:01Z)
• Decoupling and Damping: Structurally-Regularized Gradient Matching for Multimodal Graph Condensation [3.2987327415317895]
  マルチモーダルグラフに適した新しい凝縮フレームワークSR-GMを提案する。 SR-GMは、ベースライン法と比較して精度を大幅に向上し、収束を加速する。 本研究は,資源制約環境下でのマルチモーダルグラフに基づく学習のためのスケーラブルな方法論を提供する。
  論文  参考訳（メタデータ） (2025-11-25T11:50:34Z)
• Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation [1.0128808054306186]
  マトリックス補完は推薦システムにおいて広く採用されているフレームワークである。 コントラスト学習(MCCL)を用いた行列補完法を提案する。 提案手法は,予測スコアの数値精度を向上するだけでなく,ランキング指標の最大36%を向上する上で,優れたランキングを生成する。
  論文  参考訳（メタデータ） (2025-06-12T12:47:35Z)
• Analysis of Anonymous User Interaction Relationships and Prediction of Advertising Feedback Based on Graph Neural Network [5.250286096386298]
  本稿では3つの主要な貢献を成すDTH-GNN(Decoupled Temporal-Hierarchical Graph Neural Network)を提案する。 まず,各相互作用を短周期バースト,昼周期,長距離メモリの3種類のチャネルに分割し,並列拡張残差の畳み込みカーネルを用いて特徴抽出を行う。 第三に、フィードバック知覚のコントラストを定式化し、様々なタイムスライスの一貫性を最大化し、二重ビューターゲットによる制御露光情報のエントロピーを最大化し、二重モーメントキュー蒸留のグローバルプロトタイプを示す。
  論文  参考訳（メタデータ） (2025-06-11T04:40:24Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。