論文の概要: Information-Guided Selective Modality-Interest Alignment for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2608.27950v1
• Date: Fri, 28 Aug 2026 05:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.214024
• Title: Information-Guided Selective Modality-Interest Alignment for Multimodal Recommendation
• Title（参考訳）: マルチモーダルレコメンデーションのための情報誘導選択モダリティ-関心アライメント
• Abstract要約: マルチモーダルレコメンデーションのための情報誘導型選択的モダリティ-関心アライメントフレームワークAMURを提案する。 情報理論的な視点に触発されたAMURは、ユーザの興味により関連性のあるモダリティ情報を強化するとともに、整合性の低い信号の影響を低減することを目的としている。
• 参考スコア（独自算出の注目度）: 6.678484119862215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal recommendation (MMRec) aims to enhance recommendation performance by leveraging rich item content from multiple modalities. However, directly incorporating all modality information does not necessarily lead to better preference modeling, since user interests are often more related to a subset of modality signals, while other signals may be weakly aligned with user preferences or even introduce noise. Although recent MMRec methods improve modality utilization through invariant learning, attention mechanisms, graph refinement, or contrastive learning, their alignment processes are often implicit or heuristic and lack a clear objective for selecting modality signals that better match user interests. In this paper, we propose AMUR, an information-guided selective modality-interest alignment framework for multimodal recommendation. Inspired by an information-theoretic view, AMUR aims to enhance modality information that is more related to user interests while reducing the influence of less aligned signals. Specifically, AMUR first refines modality graph structures towards user behavior, and then selectively aligns shared interest-related semantics across modalities. This enables AMUR to improve modality-interest alignment while preserving useful modality-specific complementary information. Extensive experiments on three real-world datasets demonstrate the effectiveness of AMUR over competitive baselines. The code is available at https://github.com/Wenze1/AMUR.
• Abstract（参考訳）: マルチモーダルレコメンデーション(MMRec)は,複数のモーダルからリッチなアイテムコンテンツを活用することで,レコメンデーション性能を向上させることを目的としている。 しかし、すべてのモダリティ情報を直接的に組み込むことは、ユーザー関心がモダリティ信号のサブセットとより関連している場合が多いのに対して、他の信号はユーザーの好みに弱いり、ノイズを発生させたりする場合が多いため、より良質な嗜好モデリングにつながるとは限らない。 最近のMMRec法は、不変学習、注意機構、グラフ精錬、コントラスト学習を通じてモダリティ利用を改善するが、それらのアライメントプロセスは暗黙的またはヒューリスティックであり、ユーザの興味に合ったモダリティ信号を選択するための明確な目的を欠いている。 本稿では,マルチモーダルレコメンデーションのための情報誘導選択的モダリティ-関心アライメントフレームワークAMURを提案する。 情報理論的な視点に触発されたAMURは、ユーザの興味により関連性のあるモダリティ情報を強化するとともに、整合性の低い信号の影響を低減することを目的としている。 特に、AMURはまず、ユーザ行動に向けてモダリティグラフ構造を洗練し、その後、モダリティ間で共有された関心に関連するセマンティクスを選択的に整列させる。 これにより、AMURは、有用なモダリティ固有の補完情報を保持しながら、モダリティと関心のアライメントを改善することができる。 3つの実世界のデータセットに対する大規模な実験は、AMURが競争基準よりも有効であることを実証している。 コードはhttps://github.com/Wenze1/AMURで公開されている。

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)
• PRISM: Personalized Recommendation via Information Synergy Module [12.797662213207936]
  PRISMはシーケンシャルレコメンデーション(SR)のためのプラグイン・アンド・プレイフレームワークである マルチモーダル情報をユニークで冗長でシナジスティックなコンポーネントに分解する。 4つのデータセットと3つのSRバックボーンの実験は、その有効性と汎用性を示している。
  論文  参考訳（メタデータ） (2026-01-16T02:17:54Z)
• Multimodal Representation-disentangled Information Bottleneck for Multimodal Recommendation [36.338586087343806]
  我々はMRdIB(Multimodal Representation-disentangled Information Bottleneck)という新しいフレームワークを提案する。 具体的には,まず,入力表現を圧縮するためにマルチモーダル・インフォメーション・ボトルネックを用いる。 そして,レコメンデーションターゲットとの関係に基づいて,情報をユニークで冗長な,シナジスティックなコンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-09-24T15:18:32Z)
• 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)
• Spectrum-based Modality Representation Fusion Graph Convolutional Network for Multimodal Recommendation [7.627299398469962]
  本稿では,新しいスペクトルベースのモダリティ表現グラフレコメンデータを提案する。 モダリティノイズを同時に抑制しながら、ユニモーダルとフュージョンの両方の好みを捉えることを目的としている。 実世界の3つのデータセットを用いた実験により,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-12-19T15:53:21Z)
• Multimodal Difference Learning for Sequential Recommendation [5.243083216855681]
  ユーザの関心とアイテムの関係は、さまざまなモダリティによって異なる、と我々は主張する。 本稿では,MDSRec のシークエンシャルレコメンデーションのための新しいマルチモーダルラーニングフレームワークを提案する。 5つの実世界のデータセットの結果は、最先端のベースラインよりもMDSRecの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-12-11T05:08:19Z)
• InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [83.7578502046955]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• 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)
• 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)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。