TimeMM：動的マルチモーダル推薦のための時間演算子によるスペクトル・フィルタリング

要旨: マルチモーダル推薦は、協調的なシグナルと異種のアイテム内容を統合することで、ユーザモデリングを改善します。実運用のアプリケーションでは、ユーザの関心は時間とともに変化し、異なる嗜好要因が異なる速度で変化する非定常なダイナミクスを示します。この課題は、マルチモーダル設定では、視覚的・テキスト的手がかりが異なる時間的レジームのもとで意思決定を支配し得るため、さらに増幅されます。大きな進展があるにもかかわらず、ほとんどのマルチモーダル推薦器は依然として静的な相互作用グラフ、または粗い時間ヒューリスティックに依存しており、きめ細かな時間適応による連続的な嗜好の進化をモデル化する能力が制限されています。これらの制限に対処するために、本論文では動的マルチモーダル推薦のための時刻条件付きスペクトルフィルタリング手法である TimeMM を提案します。TimeMM は、相互作用の新しさを一連のパラメトリックな時間カーネルへ写像することで Time-as-Operator を具体化し、ユーザ―アイテムグラフ上のエッジに再重み付けを行います。これにより、明示的な固有分解なしに、コンポーネント固有の表現を生成します。非定常な関心を捉えるために、時間的文脈に応じて演算子バンクを混合する Adaptive Spectral Filtering を導入し、予測ごとの有効なスペクトル応答を得ます。モダリティ固有の時間感度を考慮するために、同じ時間的文脈に条件付けて視覚とテキストの寄与を較正する Spectral-Aware Modality Routing もさらに提案します。最後に、ランキング空間におけるスペクトル多様性正則化により、相補的なエキスパートの振る舞いを促し、フィルターバンクの崩壊を防ぎます。実世界のベンチマークに対する大規模な実験の結果、TimeMM は線形時間スケーラビリティを維持しつつ、最先端のマルチモーダル推薦器を一貫して上回ることが示されました。