論文の概要: PCGNet: Unifying Shared and Specific Information for Fashion Matching Recommendations

• arxiv url: http://arxiv.org/abs/2609.13339v1
• Date: Fri, 11 Sep 2026 11:38:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-18 06:43:24.480108
• Title: PCGNet: Unifying Shared and Specific Information for Fashion Matching Recommendations
• Title（参考訳）: PCGNet: Fashion Matching Recommendationsのための共有情報と特定情報の統合
• Abstract要約: 伝統的に、選択品に合う補完服は、顧客満足度を高める重要なクロスセール技術である。 既存のモデルでは、製品互換性とパーソナライズされたユーザの好みの間に、過度に単純化された分離された関係を前提としています。 我々は、互換性と個人の嗜好のモデリングを統一する多目的グラフであるPersonalized Compatibility Graph Networkを提案する。
• 参考スコア（独自算出の注目度）: 4.649779668774962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In fashion domain, recommending complementary clothing items that match selected pieces is a crucial cross-selling technique that improves customer satisfaction. Nevertheless, fashion matching presents significant challenges, as recommendations must not only align with individual user fashion preferences but also ensure compatibility between garments. These challenges are twofold. First, existing models often assume an overly simplified decoupled relationship between product compatibility and personalized user preferences, overlooking the natural complexity between the two. Second, existing data-driven approaches are not optimized for real-world fashion data, which is typically sparse and characterized by noisy interactions. To address these challenges, we propose Personalized Compatibility Graph Network, a multi-objective graph learning framework that organically unifies the modeling of product compatibility and personal preferences. PCGNet uses contrastive mutual information maximization to extract and align shared and view-specific patterns, thereby capturing the complex interplay between compatibility and personal preferences. Moreover, we introduce a correlation-aware neighbor sampling and a learnable global graph augmentation, which enhance the model by incorporating self-supervised signals mined directly from the graph, ensuring more stable and informative representations. Finally, PCGNet generates recommendation scores through the joint optimization of BPR ranking loss and multi-view mutual information losses. Experimental validation on two benchmark datasets demonstrates that PCGNet significantly outperforming state-of-the-art methods across all four evaluation metrics.
• Abstract（参考訳）: ファッション分野では、選択品に合う補完服を推奨することは、顧客満足度を向上させる重要なクロスセールス技術である。 しかしながら、ファッションマッチングは、個々のユーザのファッション嗜好に適合するだけでなく、衣服間の互換性を確保する必要があるため、大きな課題を呈している。 これらの課題は2つあります。 第一に、既存のモデルは製品互換性とパーソナライズされたユーザー嗜好の間に、過度に単純化された分離された関係を前提とします。 第二に、既存のデータ駆動アプローチは現実のファッションデータには最適化されていない。 これらの課題に対処するために,製品互換性と個人の嗜好のモデリングを有機的に統一する多目的グラフ学習フレームワークであるPersonalized Compatibility Graph Networkを提案する。 PCGNetは、コントラッシブな相互情報の最大化を利用して、共有およびビュー固有のパターンを抽出・調整し、互換性と個人の嗜好の間の複雑な相互作用をキャプチャする。 さらに,グラフから直接マイニングされた自己教師付き信号を導入し,より安定かつ情報的表現を確実にすることで,相関対応の隣人サンプリングと学習可能なグローバルグラフ拡張を導入する。 最後に、PCGNetはBPRランキング損失と多視点相互情報損失の合同最適化によりレコメンデーションスコアを生成する。 2つのベンチマークデータセットに対する実験的検証は、PCGNetが4つの評価指標全てで最先端の手法を著しく上回っていることを示している。

関連論文リスト

• AlignDiff: Exploiting Model-Intrinsic Information for Better Preference Data Selection [53.61691036434302]
  固有モデル信号によって駆動される嗜好データフィルタリングフレームワークであるAlignDiffを提案する。 AlpacaEval 2.0、Arena-Hard、MT-Benchベンチマークを評価した。 AlignDiffの有効性を検証するために包括的アブレーション研究を行っている。
  論文  参考訳（メタデータ） (2026-09-05T05:51:23Z)
• Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation [60.03046892817763]
  ジェネレーティブレコメンデーションは、産業レコメンデーションシステムにおける約束を示す新興パラダイムである。 既存の手法は、複雑なユーザビヘイビアとアイテムセマンティックのコンテキストを同時にレコメンデーションモデルに注入するのに苦労することが多い。 本稿では,G2Recを提案する。G2Recは,汎用的なグラフベースユーザ統合モデリングとセマンティックトークン化を一体化して,産業規模の生成レコメンデーションを実現するスケーラブルなフレームワークである。
  論文  参考訳（メタデータ） (2026-06-18T17:58:32Z)
• Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
  不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。 重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。 我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
  論文  参考訳（メタデータ） (2026-04-16T03:20:11Z)
• FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
  フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。 本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。 提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-29T08:55:19Z)
• IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation [21.87097387902408]
  マルチモーダルレコメンデーションシステム(MRS)は、様々なオンラインプラットフォームにおいて重要であり、マルチモーダル情報を取り入れたより正確なパーソナライズレコメンデーションを提供する。 本稿では, セマンティックな項目グラフを識別するために, 分類不要なガイダンス付き拡散モデルを利用する新しい手法IGDMRecを提案する。 4つの実世界のデータセットに対する大規模な実験は、IGDMRecが競合ベースライン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） (2025-12-23T02:13:01Z)
• Hybrid-Hierarchical Fashion Graph Attention Network for Compatibility-Oriented and Personalized Outfit Recommendation [1.864621482724548]
  本研究は、階層グラフ表現とグラフアテンション機構を併用してこの問題に対処するFGATという新しいフレームワークを提案する。 このフレームワークは、ユーザ、衣装、アイテムの3層グラフを構築し、視覚的特徴とテキスト的特徴を統合して、服の互換性とユーザの好みを共同でモデル化する。 FGATはHFGNなどの強力なベースラインよりも優れており、精度、精度、HR、リコール、NDCGの顕著な改善を実現している。
  論文  参考訳（メタデータ） (2025-08-14T23:09:57Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• Consistency Regularization for Complementary Clothing Recommendations [4.698072627654264]
  本稿では,ベイジアンパーソナライズランキング(CR-BPR)の一貫性正規化モデルの開発について報告する。 これは、既存の補完的な衣服推薦手法の欠点、すなわち、多モードデータの多様な特徴尺度によって引き起こされる限定された一貫性と偏りのある学習に対処する。 CR-BPRモデルの有効性は、2つのベンチマークデータセットを含む詳細な分析によって検証された。
  論文  参考訳（メタデータ） (2024-11-19T07:30:07Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Personalized Federated Domain Adaptation for Item-to-Item Recommendation [11.65452674504235]
  アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。 グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。 我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
  論文  参考訳（メタデータ） (2023-06-05T19:06:18Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)

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。