Fugu-MT 論文翻訳(概要): Multimodal Graph Retrieval-Augmented Sequential Recommendation via Collaborative Filtering Paths

論文の概要: Multimodal Graph Retrieval-Augmented Sequential Recommendation via Collaborative Filtering Paths

arxiv url: http://arxiv.org/abs/2610.11228v1
Date: Thu, 08 Oct 2026 04:27:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:36:53.8027
Title: Multimodal Graph Retrieval-Augmented Sequential Recommendation via Collaborative Filtering Paths
Title（参考訳）: 協調フィルタリング経路によるマルチモーダルグラフ検索拡張シーケンスレコメンデーション
Abstract要約: 逐次レコメンデーションのためのマルチモーダルグラフ検索拡張フレームワークMGRASRecを提案する。 MGRASRecは、候補項目に条件付き協調フィルタリング信号をMLLMプロンプトに直接注入する。ユーザとイテムの相互作用グラフから構造化パスを検索し、マルチモーダルな類似性を通じて拡張し、正確な相互作用オーバーラップを超えてカバレッジを向上する。
参考スコア（独自算出の注目度）: 16.208933112781384
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multimodal Large Language Models (MLLMs) have demonstrated strong potential for sequential recommendation through their ability to reason over complex multimodal data. However, existing approaches either rely solely on the target user's own interaction history, neglecting collaborative signals from neighboring users, or incur substantial computational overhead through repeated MLLM inference over long interaction histories. To address these challenges, we propose MGRASRec, a multimodal graph retrieval-augmented framework for sequential recommendation. MGRASRec injects collaborative filtering signals conditioned on the candidate item directly into the MLLM prompt by retrieving structured paths from a user-item interaction graph, extended via multimodal similarity to increase coverage beyond exact co-interaction overlap. This retrieval also surfaces the history items most relevant to the candidate at no additional cost, removing the need for recurrent summarization and keeping inference to a single forward pass per candidate. All components are unified into an augmented prompt for parameter-efficient fine-tuning of an MLLM. Extensive evaluations across three publicly available datasets validate the effectiveness of MGRASRec, achieving the best performance on all metrics with particularly strong gains in ranking quality.
Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、複雑なマルチモーダルデータを推論する能力を通じて、シーケンシャルなレコメンデーションに強い可能性を示している。しかし、既存のアプローチは、ターゲットのユーザ自身のインタラクション履歴にのみ依存するか、近隣のユーザからの協調的な信号を無視するか、あるいは長時間のインタラクション履歴に対するMLLM推論を繰り返すことによって、かなりの計算オーバーヘッドを発生させるかのいずれかである。これらの課題に対処するために、逐次レコメンデーションのためのマルチモーダルグラフ検索拡張フレームワークMGRASRecを提案する。 MGRASRecは、ユーザ-イテム相互作用グラフから構造化パスを取得してMLLMプロンプトに直接、候補項目に条件付き協調フィルタリング信号を注入する。この検索はまた、候補に最も関係のある履歴項目を追加のコストなしで表示し、再帰的な要約の必要性を排除し、候補毎の1つのフォワードパスに対する推論を保持する。すべてのコンポーネントは、MLLMのパラメータ効率の良い微調整のための拡張プロンプトに統合される。 3つの公開データセットにわたる大規模な評価は、MGRASRecの有効性を検証する。

関連論文リスト

Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration [57.23877089929136]
Graph-of-Agents (GoA)はマルチエージェントLLM通信をモデリングするための新しいグラフベースのフレームワークである。 GoAは3つの選択されたエージェントしか使用せず、最近のマルチエージェントLCMベースラインよりも優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-04-18T21:13:03Z)
Beyond Global Similarity: Towards Fine-Grained, Multi-Condition Multimodal Retrieval [27.493644447594367]
MCMR (Multi-Conditional Multimodal Retrieval) は、自然言語クエリによる細粒度・多条件クロスモーダル検索を評価するために設計された大規模ベンチマークである。製品ドメインは、上着と下着、宝石、靴、家具の5つ。 MLLMベースのマルチモーダルレトリバーと視覚言語リランカの多種多様なスイートをベンチマークし,その条件認識推論能力を評価する。
論文参考訳（メタデータ） (2026-03-01T12:53:47Z)
MLLMRec: Exploring the Potential of Multimodal Large Language Models in Recommender Systems [8.744074431975019]
本稿では,MLLM方式のマルチモーダル・レコメンデーション・フレームワークを提案する。 MLLMRecは、最高のベースラインよりも平均38.53%改善して最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-08-21T06:50:00Z)
Chunks as Arms: Multi-Armed Bandit-Guided Sampling for Long-Context LLM Preference Optimization [56.97588709890706]
LongMab-POは、長文モデリングタスクのための高品質で多様な応答を生成する新しいフレームワークである。実験の結果,LongMab-POは嗜好データペアの多様性と品質を著しく向上させることがわかった。
論文参考訳（メタデータ） (2025-08-19T16:33:55Z)
CORONA: A Coarse-to-Fine Framework for Graph-based Recommendation with Large Language Models [37.31002764910533]
大規模言語モデル(LLM)はドメイン間で強力な機能を示している。提案手法は,候補フィルタリング過程におけるLLMの推論能力を活用することである。我々は,候補項目の範囲を徐々に狭めるために,検索の連鎖(Chein Of Retrieval ON grAphs)を導入する。
論文参考訳（メタデータ） (2025-06-14T08:20:15Z)
Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation [4.518104756199573]
Molarは、複数のコンテンツモダリティとID情報を統合するシーケンシャルなレコメンデーションフレームワークで、協調的な信号を効果的にキャプチャする。マルチモーダルコンテンツと協調フィルタリングの洞察をシームレスに組み合わせることで、Molarはユーザの関心事とコンテキスト意味論の両方をキャプチャし、より優れた推奨精度をもたらす。
論文参考訳（メタデータ） (2024-12-24T05:23:13Z)
QPO: Query-dependent Prompt Optimization via Multi-Loop Offline Reinforcement Learning [58.767866109043055]
クエリ依存型プロンプト最適化(QPO)を導入し、入力クエリに合わせて最適なプロンプトを生成するために、小さな事前訓練された言語モデルを反復的に微調整する。我々は、オープンソースのタスクに様々なプロンプトをベンチマークする副産物として、すでに大量に存在するオフラインのプロンプトデータから洞察を得る。様々なLLMスケールと多様なNLPおよび数学タスクの実験は、ゼロショットと少数ショットの両方のシナリオにおいて、我々の手法の有効性とコスト効率を実証している。
論文参考訳（メタデータ） (2024-08-20T03:06:48Z)
CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
論文参考訳（メタデータ） (2024-06-25T12:47:04Z)
MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
論文参考訳（メタデータ） (2024-04-25T12:11:27Z)

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。