Buchumschlag

Do We Really Need to Drop Items with Missing Modalities in Multimodal Recommendation?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Malitesta, Daniele, Rossi, Emanuele, Pomo, Claudio, Di Noia, Tommaso, Malliaros, Fragkiskos D.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Training-free Graph-based Imputation of Missing Modalities in Multimodal Recommendation
von: Malitesta, Daniele, et al.
Veröffentlicht: (2026)

Dealing with Missing Modalities in Multimodal Recommendation: a Feature Propagation-based Approach
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Large-scale Benchmarks for Multimodal Recommendation with Ducho
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2024)

Do We Really Need Specialization? Evaluating Generalist Text Embeddings for Zero-Shot Recommendation and Search
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2025)

Formalizing Multimedia Recommendation through Multimodal Deep Learning
von: Malitesta, Daniele, et al.
Veröffentlicht: (2023)

Ducho 2.0: Towards a More Up-to-Date Unified Framework for the Extraction of Multimodal Features in Recommendation
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2024)

Do Recommender Systems Really Leverage Multimodal Content? A Comprehensive Analysis on Multimodal Representations for Recommendation
von: Pomo, Claudio, et al.
Veröffentlicht: (2025)

A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Fashion Image-to-Image Translation for Complementary Item Retrieval
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2024)

On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective
von: Malitesta, Daniele, et al.
Veröffentlicht: (2025)

DataRec: A Python Library for Standardized and Reproducible Data Management in Recommender Systems
von: Mancino, Alberto Carlo Maria, et al.
Veröffentlicht: (2024)

How Fair is Your Diffusion Recommender Model?
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis
von: Anelli, Vito Walter, et al.
Veröffentlicht: (2023)

A Reproducible and Fair Evaluation of Partition-aware Collaborative Filtering
von: de Gioia, Domenico, et al.
Veröffentlicht: (2025)

KGUF: Simple Knowledge-aware Graph-based Recommender with User-based Semantic Features Filtering
von: Bufi, Salvatore, et al.
Veröffentlicht: (2024)

ViLLA-MMBench: A Unified Benchmark Suite for LLM-Augmented Multimodal Movie Recommendation
von: Nazary, Fatemeh, et al.
Veröffentlicht: (2025)

ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation)
von: Ariza-Casabona, Alejandro, et al.
Veröffentlicht: (2025)

CFaiRLLM: Consumer Fairness Evaluation in Large-Language Model Recommender System
von: Deldjoo, Yashar, et al.
Veröffentlicht: (2024)

Stealthy LLM-Driven Data Poisoning Attacks Against Embedding-Based Retrieval-Augmented Recommender Systems
von: Nazary, Fatemeh, et al.
Veröffentlicht: (2025)

Poison-RAG: Adversarial Data Poisoning Attacks on Retrieval-Augmented Generation in Recommender Systems
von: Nazary, Fatemeh, et al.
Veröffentlicht: (2025)

Do We Really Need Graph Convolution During Training? Light Post-Training Graph-ODE for Efficient Recommendation
von: Zhang, Weizhi, et al.
Veröffentlicht: (2024)

Do LLMs Memorize Recommendation Datasets? A Preliminary Study on MovieLens-1M
von: Di Palma, Dario, et al.
Veröffentlicht: (2025)

Enhancing Sequential Music Recommendation with Personalized Popularity Awareness
von: Abbattista, Davide, et al.
Veröffentlicht: (2024)

AirTOWN: A Privacy-Preserving Mobile App for Real-time Pollution-Aware POI Suggestion
von: Fasano, Giuseppe, et al.
Veröffentlicht: (2025)

Balancing Accuracy and Novelty with Sub-Item Popularity
von: Mallamaci, Chiara, et al.
Veröffentlicht: (2025)

Architecture is All You Need: Improving LLM Recommenders by Dropping the Text
von: Foley, Kevin, et al.
Veröffentlicht: (2025)

Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation?
von: Li, Ming, et al.
Veröffentlicht: (2024)

Dataset and Models for Item Recommendation Using Multi-Modal User Interactions
von: Bruun, Simone Borg, et al.
Veröffentlicht: (2024)

Exploring Approaches for Detecting Memorization of Recommender System Data in Large Language Models
von: Colacicco, Antonio, et al.
Veröffentlicht: (2026)

Disentangling and Generating Modalities for Recommendation in Missing Modality Scenarios
von: Kim, Jiwan, et al.
Veröffentlicht: (2025)

IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation
von: Guo, Ziyuan, et al.
Veröffentlicht: (2025)

Learning ID-free Item Representation with Token Crossing for Multimodal Recommendation
von: Zhang, Kangning, et al.
Veröffentlicht: (2024)

Exploring Diversity, Novelty, and Popularity Bias in ChatGPT's Recommendations
von: Di Palma, Dario, et al.
Veröffentlicht: (2026)

Modality Reliability Guided Multimodal Recommendation
von: Dong, Xue, et al.
Veröffentlicht: (2025)

MDiffFR: Modality-Guided Diffusion Generation for Cold-start Items in Federated Recommendation
von: Fu, Kang, et al.
Veröffentlicht: (2025)

Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation
von: Liu, Weiming, et al.
Veröffentlicht: (2025)

Evaluating ChatGPT as a Recommender System: A Rigorous Approach
von: Di Palma, Dario, et al.
Veröffentlicht: (2023)

Semantic Item Graph Enhancement for Multimodal Recommendation
von: Zhang, Xiaoxiong, et al.
Veröffentlicht: (2025)

Learning Item Representations Directly from Multimodal Features for Effective Recommendation
von: Zhou, Xin, et al.
Veröffentlicht: (2025)