論文の概要: Rethinking Evidence Modeling: Context-Coupled Graph Learning for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2610.15523v1
• Date: Sun, 11 Oct 2026 10:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 18:13:37.391807
• Title: Rethinking Evidence Modeling: Context-Coupled Graph Learning for Multimodal Recommendation
• Title（参考訳）: エビデンスモデリングの再考:マルチモーダル勧告のためのコンテキスト結合グラフ学習
• Abstract要約: マルチモーダルグラフレコメンデーションは、アイテムイメージとテキストとの観察されたインタラクションを統合し、ユーザの好みを学習する。 本稿では,共有グラフ学習コンテキスト内でSBEを編成する文脈結合グラフ学習手法であるCC-MGRecを提案する。 3つのAmazonデータセットの実験では、グラフ伝搬時の推奨品質の改善と推論の高速化が示されている。
• 参考スコア（独自算出の注目度）: 17.32730188797684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal graph recommendation integrates observed interactions with item images and text to learn user preferences. These inputs constitute Semantic-Behavioral Evidence (SBE). Many existing graph methods incorporate collaborative and multimodal semantic relations, yet their aggregation and state updates remain context-separated, limiting the continuous composition of preference evidence across layers and the joint use of multiple sources. To address this limitation, we propose CC-MGRec, a context-coupled graph learning method that organizes SBE within a common graph learning context for cross-relation modeling and compositional propagation. Its context-coupled multimodal graph integrates user-item collaborative relations and item-item semantic relations, coordinating their message scales through joint normalization. Recommendation-grounded semantic calibration uses training behavior to adjust semantic neighbor weights while preserving normalized collaborative propagation coefficients. Collaborative-semantic compositional propagation updates shared node states layer by layer to continuously compose collaborative and multimodal semantic evidence, implicitly forming Preference Evidence Chains (PECs), including collaborative-semantic and visual-textual PECs. Joint execution of relation messages on the same shared node states within each layer preserves propagation outputs while reducing intermediate output processing and fusion overhead. We provide theoretical analysis of the proposed mechanisms. Experiments on three Amazon datasets demonstrate improved recommendation quality and faster inference during graph propagation.
• Abstract（参考訳）: マルチモーダルグラフレコメンデーションは、アイテムイメージとテキストとの観察されたインタラクションを統合し、ユーザの好みを学習する。 これらの入力はSBE(Semantic-Behavioral Evidence)を構成する。 既存のグラフ法の多くは、協調的およびマルチモーダルな意味関係を含むが、それらの集約と状態の更新は、コンテキスト分離されたままであり、層間での選好証拠の連続的な構成と複数のソースの合同使用を制限している。 この制限に対処するため,CC-MGRecというコンテキスト結合型グラフ学習手法を提案し,SBEを共通グラフ学習コンテキスト内で構成し,相互関係のモデル化と構成的伝播を行う。 コンテキスト結合型マルチモーダルグラフは、ユーザとイテムの協調関係とアイテムとイテムのセマンティック関係を統合し、共同正規化を通じてメッセージスケールをコーディネートする。 レコメンデーション・グラウンドド・セマンティックキャリブレーションは、正規化された協調伝搬係数を保ちながら、セマンティックな隣り合う重みを調整する訓練行動を利用する。 コラボレーティブ・セマンティックな構成的伝播の更新 ノード状態のレイヤをレイヤごとに共有し、コラボレーティブおよびマルチモーダルなセマンティックエビデンスエビデンスエビデンスエビデンスエイン(PEC)を暗黙的に形成し、コラボレーティブ・セマンティックおよびビジュアル・テクスチュアルPECを含む。 各層内の同じ共有ノード状態における関係メッセージの合同実行は、中間出力処理と融合オーバーヘッドを低減しつつ、伝搬出力を保存する。 提案手法の理論的解析を行う。 3つのAmazonデータセットの実験では、グラフ伝搬時の推奨品質の改善と推論の高速化が示されている。

関連論文リスト

• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• ReCoG: Reciprocal Co-Evolution for Multimodal Graph Learning [9.030717765733398]
  マルチモーダルグラフ学習では、グラフ構造と不均一なノード属性を共同でトレーニングする必要がある。 本稿では,グラフ構造学習とマルチモーダル表現学習を密結合した新しい学習パラダイムReCoGを提案する。 本研究は,構造と意味の相互共進化が,効果的なマルチモーダルグラフ学習に重要であることを示す。
  論文  参考訳（メタデータ） (2026-08-24T04:16:13Z)
• Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering [27.20519975467197]
  Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。 この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
  論文  参考訳（メタデータ） (2026-02-24T17:01:47Z)
• SEP-GCN: Leveraging Similar Edge Pairs with Temporal and Spatial Contexts for Location-Based Recommender Systems [0.0]
  SEP-GCNは、文脈的に類似した相互作用エッジのペアから学習する新しいグラフベースのレコメンデーションフレームワークである。 SEP-GCNは、類似の時間的ウィンドウや地理的近接で発生するエッジペアを識別することにより、コンテキスト的類似性リンクでユーザ-itemグラフを拡張する。 ベンチマークデータセットの実験では、SEP-GCNは予測精度とロバスト性の両方において、強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-19T03:48:30Z)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• ConstGCN: Constrained Transmission-based Graph Convolutional Networks for Document-level Relation Extraction [24.970508961370548]
  グラフニューラルネットワークによる文書レベルの関係抽出は、トレーニングと推論の基本的なグラフ構築ギャップに直面している。 本稿では,知識に基づく情報伝達を行う新しいグラフ畳み込みネットワークである$textbfConstGCN$を提案する。 実験の結果,本手法はDocREデータセットに対する従来のSOTA(State-of-the-art)アプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-10-08T07:36:04Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。