アイテム固有の特徴を考慮したグラフ構造学習に基づくマルチモーダル推薦モデルの提案

• Item type: Journal(1)
• 公開日: 2026-09-15
• タイトル / 言語: ja
• タイトル: アイテム固有の特徴を考慮したグラフ構造学習に基づくマルチモーダル推薦モデルの提案
• タイトル / 言語: en
• タイトル: Proposal of Multi-modal Recommendation Model Based on Graph Structure Learning Considering Item-specific Features
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文（推薦論文，特選論文）] マルチモーダル推薦，グラフ構造学習，対照学習，個別化表現
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/0002012331
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 株式会社ダイキン工業
• 著者所属: 株式会社ダイキン工業
• 著者所属: 株式会社ダイキン工業
• 著者所属: 株式会社ダイキン工業
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): DAIKIN Industries, Ltd.
• 著者所属(英): en
• 著者所属(英): DAIKIN Industries, Ltd.
• 著者所属(英): en
• 著者所属(英): DAIKIN Industries, Ltd.
• 著者所属(英): en
• 著者所属(英): DAIKIN Industries, Ltd.
• 著者名: 曽根,良行; 道瀬,悠磨; 原,隆浩; 前川,卓也; 島崎,数喜; 瀬口,哲平; 菊池,雄行; 加藤,謙志朗
• 著者名(英): Yoshiyuki Sone; Yuma Dose; Takahiro Hara; Takuya Maekawa; Kazuki Shimazaki; Teppei Seguchi; Takayuki Kikuchi; Kenshiro Kato
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 現在，テキストや画像などの複数のモダリティを統合してユーザの嗜好を予測するマルチモーダル推薦システムが，最先端の性能を達成している．従来の手法では，主に各モダリティの特徴をグラフ構造に反映させたモダリティグラフを構築し，それらのグラフ構造から得られる表現を統合することで，推薦性能を向上させてきた．しかし，これらの手法は主にモダリティの特徴からユーザとアイテム間の関係をモデル化するのみであり，アイテム間における直接的な類似性といった有益なアイテム間の特徴を見過ごしているため，十分にモダリティの情報をグラフ構造に反映できていないという課題がある．本研究では，モダリティを考慮したアイテムの類似性を明示的にモデル化するフレームワークMMGSL（MultiModal Graph Structure Learning for Recommendation）を提案する．MMGSLは，対照学習を通じてアイテム類似度を活用し，有益なアイテム間エッジを付与するグラフ構造学習器によってモダリティグラフを構築する．さらに，ユーザやアイテムごとに異なるモダリティの重要性を反映させるため，個別化された埋め込み結合層を導入し，高度に個別化された表現学習を可能にする．実データセットを用いた評価実験の結果，MMGSLは既存のベースライン手法に対してNDCG@10で，TikTokデータセットにおいて19.53%，Amazon-Sportsデータセットにおいて4.04% の性能向上を達成し，提案手法の有効性を示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Multimodal recommendation systems leveraging self-supervised learning (SSL) have shown significant success. These contrastive learning (CL) based methods typically construct graphs from modality-specific features. However, a critical limitation is their tendency to overlook informative item-specific features, such as item-item similarity, resulting in suboptimal modality graphs. To overcome this, we propose MMGSL (MultiModal Graph Structure Learning for Recommendation), a framework that explicitly models modality-aware item-item correlations. MMGSL introduces a modality-based graph structure learner that leverages item similarities to add informative item-item edges via contrastive learning. Furthermore, we incorporate a personalized embedding fusion layer to account for the varying importance of modalities across users and items, thereby learning highly individualized representations. Comprehensive experiments on real-world datasets demonstrate that MMGSL significantly outperforms existing baselines, achieving up to a 19.53% improvement in NDCG@10 on the TikTok dataset and a 4.04% improvement on the Amazon-Sports dataset.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 67, 号 9, p. 1470-1479, 発行日 2026-09-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764
• 公開者 / 言語: ja
• 公開者 / 出版者: 情報処理学会