論文の概要: Adaptive Preference Modeling via Explicit Indirect Relational Learning for Personalized Fashion Matching

• arxiv url: http://arxiv.org/abs/2609.21475v1
• Date: Fri, 18 Sep 2026 08:23:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.932778
• Title: Adaptive Preference Modeling via Explicit Indirect Relational Learning for Personalized Fashion Matching
• Title（参考訳）: パーソナライズされたファッションマッチングのための明示的間接的関係学習による適応的選好モデル
• Abstract要約: 本稿では、直接的および間接的関係信号の両方を統一されたレコメンデーションアーキテクチャ内で明示的にモデル化するAdaptive Preference with Contrastive Learning framework (APCL)を提案する。 APCLは、相関誘導適応アダプティブアグリゲーション機構により、間接的なユーザ・イテムとアイテム・イテムの関係を構築する。 2つのベンチマークファッションレコメンデーションデータセットの実験は、APCLが代表的ベースラインメソッドを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 7.133494737741118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized fashion complementary recommendation requires jointly modeling user preferences and item compatibility under sparse and multimodal data conditions. Existing approaches often capture higher-order relational signals implicitly through graph propagation or rely on direct interaction data, limiting their ability to explicitly model indirect preference and compatibility relationships. To address this limitation, we propose an Adaptive Preference with Contrastive Learning framework (APCL) that explicitly models both direct and indirect relational signals within a unified recommendation architecture. Specifically, APCL constructs indirect user-item and item-item relationships through a correlation-guided adaptive aggregation mechanism and represents them as dedicated personalization and compatibility views. To improve representation learning, we further introduce a functional view contrastive learning strategy that aligns direct and indirect preference representations and direct and indirect compatibility representations, encouraging consistency across relational contexts. By integrating multimodal visual and textual information with explicit indirect relational modeling, APCL captures richer semantic characteristics while improving robustness in sparse-interaction settings. Experiments on two benchmark fashion recommendation datasets demonstrate that APCL consistently outperforms representative baseline methods.
• Abstract（参考訳）: パーソナライズされたファッション補完レコメンデーションは、スパースおよびマルチモーダルなデータ条件下で、ユーザの好みとアイテムの互換性を共同でモデル化する必要がある。 既存のアプローチでは、グラフの伝搬を通じて暗黙的に高次のリレーショナルシグナルをキャプチャしたり、直接の相互作用データに依存して、間接的な優先関係と互換性関係を明示的にモデル化する能力を制限することも多い。 この制限に対処するため、我々は、統合されたレコメンデーションアーキテクチャ内で直接的および間接的リレーショナル信号の両方を明示的にモデル化するAdaptive Preference with Contrastive Learning framework (APCL)を提案する。 具体的には、APCLは、相関誘導適応アダプティブアグリゲーション機構を通じて間接的ユーザ・イテムとアイテム・イテムの関係を構築し、専用のパーソナライズと互換性のビューとして表現する。 さらに、表現学習を改善するために、直接的・間接的な選好表現と直接的・間接的な相性表現を整合させ、関係文脈間の整合性を促進する機能的視点コントラッシブ学習戦略を導入する。 マルチモーダルな視覚情報とテキスト情報を明示的な間接的関係モデリングと統合することにより、APCLはスパース・インタラクション・セッティングの堅牢性を改善しつつ、よりリッチなセマンティック特性をキャプチャする。 2つのベンチマークファッションレコメンデーションデータセットの実験は、APCLが代表的ベースラインメソッドを一貫して上回っていることを示している。

関連論文リスト

• PRISM: Refracting the Entangled User Behavior Space for E-Commerce Search [5.387173334885012]
  電子商取引検索システムは、アイテムの関連性とユーザの嗜好を推定するために、ユーザー行動のモデル化に頼っている。 ユーザインタラクションは、露出メカニズム、フィードバックループ、セマンティックマッチングによって共同で形成される。 我々は、eコマース検索行動予測のためのPreference-Relevance Interaction Semantic ModelingフレームワークであるPRISMを提案する。
  論文  参考訳（メタデータ） (2026-05-08T06:05:33Z)
• Give Users the Wheel: Towards Promptable Recommendation Paradigm [21.39017335979666]
  Decoupled Promptable Sequential Recommendation (DPR)は、従来のシーケンシャルバックボーンにPromptable Recommendationをサポートするためのモデルに依存しないフレームワークである。 DPRは、潜在ユーザ表現を検索空間内で直接変調する。 プロンプト誘導タスクにおいて、最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-21T18:41:28Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• Generative Reasoning Recommendation via LLMs [48.45009951684554]
  大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。 本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。 本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
  論文  参考訳（メタデータ） (2025-10-23T17:59:31Z)
• SRA-CL: Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation [23.050104678143935]
  SRA-CL(Semantic Retrieval Augmented Contrastive Learning)という新しい手法を提案する。 SRA-CLはLLMのセマンティック理解と推論機能を活用し、ユーザの好みやアイテムの特徴をキャプチャする表現的な埋め込みを生成する。 SRA-CLはプラグイン・アンド・プレイの設計を採用しており、既存のシーケンシャルレコメンデーションアーキテクチャとシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-03-06T07:25:19Z)
• 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)

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。