論文の概要: MGDiff: Multi-Interest Sequence Recommendation with Masking GNN-Guided Diffusion

• arxiv url: http://arxiv.org/abs/2609.01619v1
• Date: Tue, 30 Jun 2026 17:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.439578
• Title: MGDiff: Multi-Interest Sequence Recommendation with Masking GNN-Guided Diffusion
• Title（参考訳）: MGDiff:masking GNN-Guided Diffusionを用いたマルチゲストシーケンスレコメンデーション
• Abstract要約: 我々は、アンダーラインマスキングアンダーラインGNN誘導アンダーライン拡散モデル(MGDiff)を用いた新しいレコメンデーションフレームワークを提案する。 MGDiffは拡散過程中に正確なバイアスのないユーザ興味情報を生成する。
• 参考スコア（独自算出の注目度）: 2.66507565999053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel Multi-Interest Sequence Recommendation Framework with \underline{M}asking \underline{G}NN-Guided \underline{Diff}usion Model (MGDiff), designed to generate accurate, bias-free user interest information during the diffusion process. First, we propose a semantics-enhanced Dual-layer Semantic Guidance (DSG) framework, which decomposes guidance into two synergistic stages: extracting latent item semantics and decoupling multidimensional user intent. We design a Weight-adaptive Masking Graph Neural Network reconstructs missing links to uncover deep item relationships beyond superficial co-occurrence, while a Dynamic Multi-Expert Network projects user preferences into distinct semantic subspaces to suppress irrelevant interference. This hierarchical design yields structured guidance that significantly improves the generation accuracy of diffusion models. Second, We propose a Popularity-Aware Guidance (PAG) mechanism that performs spatial geometric adjustments on the outputs of diffusion models: by using item popularity as a differentiable adjustment signal to recalibrate similarity metrics, we enable DMs to generate diverse recommendations free from popularity bias. Finally, we compare MGDiff with multiple baseline models across four widely used datasets, demonstrating its superior performance and validating its effectiveness.
• Abstract（参考訳）: 本稿では,拡散過程において,正確なバイアスのないユーザ興味情報を生成するように設計された,新規な多目的シーケンス推薦フレームワークを提案する。 まず,2つの相乗的段階(潜在項目の意味抽出と多次元ユーザ意図の疎結合)にガイダンスを分解する,セマンティック・レイヤー・セマンティック・ガイダンス(DSG)フレームワークを提案する。 重み適応型マスキンググラフニューラルネットワークは,表層共起以上の深い項目関係を明らかにするために,欠落したリンクを再構築する。 この階層的な設計は、拡散モデルの生成精度を著しく向上させる構造化されたガイダンスをもたらす。 第2に,拡散モデルの出力に対して空間的幾何的調整を行うPopularity-Aware Guidance (PAG) 機構を提案する。 最後に、MGDiffと4つの広く使用されているデータセットのベースラインモデルを比較し、その優れた性能を示し、その有効性を検証した。

関連論文リスト

• MGDT: MLLM-Guided Diffusion Transformer with Relation-Adaptive Mixture-of-Experts for Multimodal Knowledge Graph Completion [33.838877596911445]
  MKGC(Multimodal Knowledge Graph Completion)は、構造的、テキスト的、視覚的キューから欠落したエンティティを推測することを必要とする。 既存の拡散に基づくMKGC法は、通常、生のマルチモーダルな特徴に直接依存する。 MLLM-Guided Diffusion Transformer with Relation-Adaptive Mixture-of-Experts。
  論文  参考訳（メタデータ） (2026-07-17T03:39:43Z)
• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation [7.6572888950554905]
  拡散型シーケンスレコメンデーション(DiQDiff)のための分散量子ガイダンスを提案する。 DiQDiffは、ユーザ関心を理解するための堅牢なガイダンスを抽出し、DM内でパーソナライズされたユーザ関心のための優れたアイテムを生成することを目的としている。 先行するアプローチに対するDiQDiffの優れたレコメンデーション性能は、シーケンシャルなレコメンデーションタスクにおける有効性を示している。
  論文  参考訳（メタデータ） (2025-01-29T14:20:42Z)
• 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)
• DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
  大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。 しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか? 自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
  論文  参考訳（メタデータ） (2023-12-05T18:34:12Z)
• Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
  本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。 DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。 3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-22T13:31:34Z)
• Multi-Behavior Hypergraph-Enhanced Transformer for Sequential Recommendation [33.97708796846252]
  短期および長期のクロスタイプの振る舞い依存を捉えるために,新しいMBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)を導入する。 具体的には、多スケールトランスフォーマーは、細粒度および粗粒度から振舞い対応のシーケンシャルパターンを共同符号化するために、低ランクの自己アテンションを備える。
  論文  参考訳（メタデータ） (2022-07-12T15:07:21Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)

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。