論文の概要: HyperAgent4POI: Dynamic Semantic Message Passing on Multi-Agent Hypergraphs for Missing-Modality Recommendation
- arxiv url: http://arxiv.org/abs/2608.01846v1
- Date: Mon, 03 Aug 2026 07:54:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.38922
- Title: HyperAgent4POI: Dynamic Semantic Message Passing on Multi-Agent Hypergraphs for Missing-Modality Recommendation
- Title（参考訳）: HyperAgent4POI:マルチエージェントハイパーグラフ上の動的セマンティックメッセージパッシング
- Authors: Jinze Wang, Yuze Liu, Tiehua Zhang, Jiong Jin, Zhu Sun,
- Abstract要約: Next Point-of-Interest (POI)レコメンデーションは、場所のセマンティクスを記述するテキストコンテンツとビジュアルコンテンツから恩恵を受ける。
モダリティの欠如はPOI表現を弱め、ランキングに利用可能なセマンティックエビデンスを減らす。
本稿では,動的セマンティックメッセージ・パッシング(DSMP)を用いて,モダリティ補完とソフトインシデント改善を行うHyperAgent4POIを提案する。
- 参考スコア（独自算出の注目度）: 10.581844853167356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Next Point-of-Interest (POI) recommendation benefits from textual and visual content that describes venue semantics, yet such content is often incomplete in real-world services. Missing modalities weaken POI representations and reduce the semantic evidence available for ranking. The resulting representations also provide unreliable evidence for modeling higher-order user--POI interactions. We propose HyperAgent4POI, which uses Dynamic Semantic Message Passing (DSMP) to perform modality completion and soft incidence refinement within each hypergraph layer. Persistent node agents share a frozen Llama backbone and use role-specific adapters to produce node-to-hyperedge messages. Semantic hyperedge motifs formed from these messages guide soft incidence scoring and modality completion. Final node representations are cached for online ranking without LLM calls. Experiments on three real-world LBSN datasets show consistent ranking gains over 15 baselines across modality-missing rates, while cached inference provides practical online efficiency. Under a 60% modality-missing rate, HyperAgent4POI improves NDCG@20 over the strongest baseline by 8.2% on average across the three datasets.
- Abstract（参考訳）: Next Point-of-Interest (POI)レコメンデーションは、場所のセマンティクスを記述するテキストコンテンツやビジュアルコンテンツから恩恵を受けるが、そのようなコンテンツは現実世界のサービスでは不完全であることが多い。
モダリティの欠如はPOI表現を弱め、ランキングに利用可能なセマンティックエビデンスを減らす。
結果として得られる表現は、高次のユーザ-POIインタラクションをモデル化するための信頼性の低い証拠を提供する。
本稿では,動的セマンティックメッセージ・パッシング(DSMP)を用いて,各ハイパーグラフ層内のモダリティ補完とソフトインシデント改善を行うHyperAgent4POIを提案する。
永続ノードエージェントは凍結したLlamaバックボーンを共有し、ロール固有のアダプタを使用してノードからハイパーエッジメッセージを生成する。
これらのメッセージから形成されたセマンティックなハイパーエッジモチーフは、ソフトインセプションスコアとモダリティ完了を導く。
最終ノード表現はLLMコールなしでオンラインランキングにキャッシュされる。
実世界の3つのLBSNデータセットの実験では、モダリティを欠いたレートで15のベースラインを超える一貫性のあるランキングが得られ、キャッシュされた推論は実用的なオンライン効率を提供する。
HyperAgent4POIは60%のモダリティ欠落率の下で、NDCG@20を3つのデータセットで平均8.2%改善する。
関連論文リスト
- Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。
効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。
本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:50:52Z) - Agent4POI: Agentic Context-Conditioned Affordance Reasoning for Multimodal Point-of-Interest Recommendation [32.81909871547641]
我々は、コンテクスト条件付きマルチモーダル表現をレコメンデーション時に生成する、最初のPOIレコメンデーションフレームワークであるAgent4POIを紹介する。
Agent4POIは、最強のベースラインに対して23.2%の相対的なゲインを達成し、コンテキストシフトの下でわずか7.5%しか低下しない。
コールドスタートのシナリオでは、Agent4POIは最高のコンテンツベースのベースラインを2.4倍も上回っている。
論文 参考訳（メタデータ） (2026-04-03T01:53:05Z) - SoftHGNN: Soft Hypergraph Neural Networks for General Visual Recognition [19.88933136559363]
ハイパーグラフは高次相互作用をモデル化することによって従来のグラフを拡張する。
既存のハイパーグラフニューラルネットワークは通常、静的およびハードなハイパーエッジ割り当てに依存している。
本稿では,ハイパーグラフ計算の方法論を拡張したソフトハイパーグラフニューラルネットワーク(SoftHGNN)を提案する。
論文 参考訳（メタデータ） (2025-05-21T10:01:30Z) - Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。
より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。
提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文 参考訳（メタデータ） (2024-09-14T01:45:04Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - Boosting Video-Text Retrieval with Explicit High-Level Semantics [115.66219386097295]
VTRのための新しい視覚言語整合モデルHiSEを提案する。
明示的なハイレベルなセマンティクスを取り入れることで、クロスモーダル表現を改善する。
提案手法は,3つのベンチマークデータセット上での最先端手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2022-08-08T15:39:54Z) - Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。
各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。
堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
論文 参考訳（メタデータ） (2021-09-22T12:24:02Z)
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。