論文の概要: MOTIF: Motivation-guided Topology Inference for Cold-start Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2608.25381v1
• Date: Wed, 26 Aug 2026 05:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.597661
• Title: MOTIF: Motivation-guided Topology Inference for Cold-start Multimodal Recommendation
• Title（参考訳）: MOTIF:冷間開始型マルチモーダルレコメンデーションのためのモチベーション誘導トポロジー推論
• Abstract要約: MOTIFは、冷間開始型マルチモーダルレコメンデーションのためのモチベーション誘導型トポロジー推論フレームワークである。 セマンティックモチベーション推論(Semantic Motivation Reasoning)、知識強化グラフ再構成(Knowledge-enhanced Graph Reconstruction)、重み付きグラフコントラスト学習(Weighted Graph Contrastive Learning)、セマンティック構造アライメント(Semantic- Structure Alignment)を統合している。 実験では、グラフベース、マルチモーダル、コールドスタート、LDM強化ベースラインに対して一貫した利得を示し、最近の最強ベースラインよりも最大6.07%改善されている。
• 参考スコア（独自算出の注目度）: 6.681915816489618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cold-start multimodal recommendation faces three coupled challenges: (i) sparse interactions obscure user intent, (ii) cold items remain topologically isolated, and (iii) similarity-based item graphs may cause semantic drift. To address these issues, we propose MOTIF, a Motivation-guided Topology Inference framework for cold-start multimodal recommendation. MOTIF integrates Semantic Motivation Reasoning, Knowledge-enhanced Graph Reconstruction, Weighted Graph Contrastive Learning, and Semantic-Structural Alignment. It uses offline LLM reasoning to infer motivation semantics, reconstructs transferable item-item topology, and learns robust graph embeddings without injecting generated text into prediction. Experiments on three multimodal benchmarks show consistent gains over graph-based, multimodal, cold-start, and LLM-enhanced baselines, with up to 6.07% relative improvement over the strongest recent baseline.
• Abstract（参考訳）: コールドスタートマルチモーダルレコメンデーションには3つの課題がある。 (i)ユーザ意図の曖昧な相互作用 (二)寒冷品は、位相的に孤立し、 (iii)類似性に基づく項目グラフは意味的ドリフトを引き起こす可能性がある。 これらの問題に対処するため,冷間開始型マルチモーダルレコメンデーションのためのモチベーション誘導型トポロジ推論フレームワークMOTIFを提案する。 MOTIFは、セマンティックモチベーション推論、知識強化グラフ再構成、重み付きグラフコントラスト学習、セマンティック構造アライメントを統合している。 オフラインのLCM推論を用いてモチベーションのセマンティクスを推論し、転送可能なアイテム・イテムトポロジーを再構成し、生成したテキストを予測に注入することなく堅牢なグラフ埋め込みを学習する。 3つのマルチモーダルベンチマークの実験は、グラフベース、マルチモーダル、コールドスタート、LDM強化ベースラインに対して一貫した利得を示し、最近の最強ベースラインよりも最大6.07%改善している。

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)
• Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
  分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:50:03Z)
• Dual-Enhancement Product Bundling: Bridging Interactive Graph and Large Language Model [17.2342102533927]
  本稿では,対話型グラフ学習と製品バンドルのための意味理解を統合したデュアルエンハンスメント手法を提案する。 本手法では,動的概念結合機構(DCBM)を利用してグラフ構造を自然言語のプロンプトに変換する。
  論文  参考訳（メタデータ） (2026-04-15T16:09:48Z)
• Mario: Multimodal Graph Reasoning with Large Language Models [10.232888977666418]
  Marioはグラフ条件のVLMで、微粒なクロスモーダルコントラスト学習によってテキストや視覚的特徴を洗練する。 Marioは、ノード分類とリンク予測のための教師付きシナリオとゼロショットシナリオの両方において、最先端のグラフモデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-05T13:49:41Z)
• MoToRec: Sparse-Regularized Multimodal Tokenization for Cold-Start Recommendation [6.78317230214304]
  コールドスタート勧告(MoToRec)のためのスパース規則化マルチモーダルトークン化を提案する。 MoToRecは、離散的、解釈可能なトークンの合成意味コードを生成する疎正規化Residual Quantized Variational Autoencoder(RQ-VAE)を中心としたフレームワークである。 3つの大規模なデータセットに対する大規模な実験は、全体的なシナリオとコールドスタートシナリオの両方において、MoToRecが最先端の手法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） (2026-02-11T17:31:14Z)
• LMMRec: LLM-driven Motivation-aware Multimodal Recommendation [16.86296664489242]
  モチベーションに基づくレコメンデーションシステムは、ユーザの行動ドライバーを明らかにする。 モチベーションモデリング(Motivation Modeling)は、意思決定とコンテンツ優先に不可欠なもので、レコメンデーション生成を説明する。 既存の方法は、しばしば対話データから潜在変数としてモチベーションを扱い、レビューテキストのような異種情報を無視する。 本稿では,大規模言語モデルを利用したモデル依存型フレームワークLMMRecについて,深いセマンティクスの先行とモチベーション理解のために提案する。
  論文  参考訳（メタデータ） (2026-02-05T09:22:17Z)
• Multi-Path Collaborative Reasoning via Reinforcement Learning [54.8518809800168]
  CoT(Chain-of-Thought)推論は、LLM(Large Language Models)の問題解決能力を大幅に向上させた。 最近の手法では、連続的な意味空間における推論を可能にするために、ソフトな抽象トークンを生成することでこの問題に対処しようとしている。 提案するM3PO(Multi-Path Perception Policy Optimization)は,推論プロセスに集団的洞察を明示的に注入する,新たな強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T10:05:46Z)
• M-$LLM^3$REC: A Motivation-Aware User-Item Interaction Framework for Enhancing Recommendation Accuracy with LLMs [0.5735035463793009]
  本稿では,M-$LLM3$RECと呼ばれる新しいレコメンデーションフレームワークを提案する。 モチベーション駆動のセマンティックモデリングを強調することで、M-$LLM3$RECは堅牢でパーソナライズされ、一般化可能なレコメンデーションを示す。
  論文  参考訳（メタデータ） (2025-08-21T05:50:13Z)
• Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
  次世代予測は大規模言語モデル(LLM)の訓練の基本原理である 本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。 私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
  論文  参考訳（メタデータ） (2025-04-18T10:46:22Z)
• Path-of-Thoughts: Extracting and Following Paths for Robust Relational Reasoning with Large Language Models [62.12031550252253]
  本稿では,関係推論に対処するための新しいフレームワークであるPath-of-Thoughts(PoT)を提案する。 PoTは、問題コンテキスト内の重要なエンティティ、関係、属性を識別するタスクに依存しないグラフを効率的に抽出する。 PoTは、提案された質問に対応するグラフ内の関連する推論連鎖を特定し、潜在的な答えの推論を容易にする。
  論文  参考訳（メタデータ） (2024-12-23T20:27:12Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)

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。