論文の概要: SG-UMP: Sequence-Guided Universal Multimodal Prioritization Calculation Framework

• arxiv url: http://arxiv.org/abs/2608.28503v1
• Date: Fri, 28 Aug 2026 16:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.411419
• Title: SG-UMP: Sequence-Guided Universal Multimodal Prioritization Calculation Framework
• Title（参考訳）: SG-UMP:シーケンス型ユニバーサルマルチモーダル優先度計算フレームワーク
• Abstract要約: マルチモーダルレコメンデーション(MSR)は、テキスト、画像、ユーザインタラクションなどの異種情報を統合することで改善される。 既存のMSR手法では、ユーザレベルの嗜好の不均一性とデータセットレベルのモダリティバイアスをキャプチャできない。 MSRにおけるマルチモーダル情報処理を強化するプラグインである textbfSG-UMP を提案する。
• 参考スコア（独自算出の注目度）: 12.105489448666267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal sequential recommendation (MSR) improves recommendation by incorporating heterogeneous information such as text, images, and user interactions. However, existing MSR methods often fail to capture user-level preference heterogeneity and dataset-level modality bias, limiting their adaptability across users and datasets. To address this issue, we propose \textbf{S}equence-\textbf{G}uided \textbf{U}niversal \textbf{M}ultimodal \textbf{P}rioritization Calculation Framework (\textbf{SG-UMP}), a plug-and-play plugin for enhancing multimodal information processing in MSR. SG-UMP includes a Module Combiner for flexible multimodal processing and a Module Router for dynamic module ordering, enabling adaptation to both user preferences and dataset characteristics. Experiments on four real-world datasets show that SG-UMP consistently improves recommendation performance across different backbones and multimodal settings. The code is available at https://github.com/esemsc-xz524/SG-UMP .
• Abstract（参考訳）: マルチモーダルシーケンシャルレコメンデーション(MSR)は、テキスト、画像、ユーザインタラクションなどの異種情報を統合することで、レコメンデーションを改善する。 しかしながら、既存のMSRメソッドは、ユーザレベルの嗜好の不均一性とデータセットレベルのモダリティバイアスをキャプチャできず、ユーザとデータセット間の適合性を制限していることが多い。 この問題に対処するため,MSR におけるマルチモーダル情報処理を強化するプラグイン・アンド・プレイ用プラグインである \textbf{S}equence-\textbf{G}uided \textbf{U}niversal \textbf{M}ultimodal \textbf{P}rioritization calculation Framework (\textbf{SG-UMP}) を提案する。 SG-UMPには、柔軟なマルチモーダル処理のためのモジュールコンバインタと、動的モジュール順序付けのためのモジュールルータが含まれており、ユーザの好みとデータセット特性の両方に適応することができる。 4つの実世界のデータセットでの実験では、SG-UMPは異なるバックボーンとマルチモーダル設定間のレコメンデーションパフォーマンスを一貫して改善している。 コードはhttps://github.com/esemsc-xz524/SG-UMP で公開されている。

関連論文リスト

• Well Begun is Half Done: Training-Free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation [31.152204697348964]
  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。
  論文  参考訳（メタデータ） (2026-04-16T10:18:52Z)
• 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)
• Multimodal Enhancement of Sequential Recommendation [10.466765832314683]
  本稿では,マルチモーダルおよびシーケンシャルなレコメンデーションパラダイムを統一する新しいレコメンデーションフレームワークであるMuSTRecを提案する。 MuSTRecは、抽出したテキストと視覚的特徴からアイテムとアイテムのグラフを構築することで、横断的な類似性と協調的なフィルタリング信号をキャプチャする。 複数のAmazonデータセット全体で、MuSTRecはマルチモーダルおよびシーケンシャルな最先端ベースラインよりも優れたパフォーマンス(最大33.5%の改善)を示している。
  論文  参考訳（メタデータ） (2026-02-06T21:32:56Z)
• 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)
• FlexiReID: Adaptive Mixture of Expert for Multi-Modal Person Re-Identification [88.61193805417024]
  FlexiReIDはフレキシブルなフレームワークで、4つのモードにわたる7つの検索モードをサポートする。 一般的な4つのRe-IDデータセットを4つのモードすべてを含むように拡張した統合データセットであるCIRS-PEDESを構築した。
  論文  参考訳（メタデータ） (2025-10-17T12:41:05Z)
• HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
  HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。 長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。 ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
  論文  参考訳（メタデータ） (2025-10-15T16:45:59Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• A Novel Mamba-based Sequential Recommendation Method [4.941272356564765]
  逐次レコメンデーション(SR)は、次のアクションを予測するためにユーザアクティビティをエンコードする。 トランスフォーマーベースのモデルはシーケンシャルレコメンデーションに有効であることが証明されているが、トランスフォーマーにおける自己アテンションモジュールの複雑さは、シーケンス長と2次にスケールする。 複数の低次元マンバ層と完全連結層を用いる新しいマルチヘッド潜在マンバアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:43:19Z)
• Semantic Gaussian Mixture Variational Autoencoder for Sequential Recommendation [49.492451800322144]
  本稿では,VAEに基づくシークエンシャルレコメンデーションモデルであるSIGMAを提案する。 SIGMAは多利活用のための確率的多利抽出モジュールを含む。 公開データセットの実験では、SIGMAの有効性が示されている。
  論文  参考訳（メタデータ） (2025-02-22T08:29:52Z)
• 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)
• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.937636188796475]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
  協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。 我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
  論文  参考訳（メタデータ） (2024-09-03T04:55:03Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)

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。