TimeMM: 동적 다중 모드 추천을 위한 시간 연산 기반 스펙트럴 필터링

TimeMM: Time-as-Operator Spectral Filtering for Dynamic Multimodal Recommendation

다중 모드 추천 시스템은 협업 정보를 다양한 항목 콘텐츠와 통합하여 사용자 모델링을 개선합니다. 실제 응용 환경에서 사용자의 관심사는 시간이 지남에 따라 진화하며, 비정상적인 동적 특성을 보입니다. 여기서 다양한 선호도 요인들이 서로 다른 속도로 변화합니다. 이러한 문제는 다중 모드 환경에서 더욱 심화되는데, 시각적 및 텍스트 정보가 서로 다른 시간대에 의사 결정에 지배적인 영향을 미칠 수 있기 때문입니다. 많은 발전에도 불구하고, 대부분의 다중 모드 추천 시스템은 여전히 정적인 상호 작용 그래프 또는 단순한 시간 기반 휴리스틱에 의존하며, 이는 미세한 시간적 적응을 통해 지속적인 선호도 변화를 모델링하는 능력을 제한합니다. 이러한 제한 사항을 해결하기 위해, 우리는 동적 다중 모드 추천을 위한 시간 의존적 스펙트럴 필터링 프레임워크인 TimeMM을 제안합니다. TimeMM은 시간 연산을 활용하여 상호 작용의 최근성을 매개변수화된 시간 커널의 집합으로 매핑합니다. 이를 통해 사용자-항목 그래프의 에지를 재가중하고, 명시적인 고유값 분해 없이 구성 요소별 표현을 생성합니다. 비정상적인 관심사를 포착하기 위해, 우리는 시간 컨텍스트에 따라 연산자 뱅크를 혼합하는 적응형 스펙트럴 필터링을 도입하여, 예측에 특화된 효과적인 스펙트럴 응답을 얻습니다. 또한, 모달리티별 시간 감수성을 고려하기 위해, 동일한 시간 컨텍스트에 따라 시각적 및 텍스트 정보의 기여도를 조정하는 스펙트럴 인식 모달리티 라우팅을 추가로 제안합니다. 마지막으로, 순위 공간에서의 스펙트럴 다양성 정규화는 상호 보완적인 전문가 행동을 장려하고 필터 뱅크의 붕괴를 방지합니다. 실제 데이터셋에 대한 광범위한 실험 결과는 TimeMM이 최첨단 다중 모드 추천 시스템보다 일관되게 우수한 성능을 보이며, 동시에 선형 시간 복잡도를 유지한다는 것을 보여줍니다.

Multimodal recommendation improves user modeling by integrating collaborative signals with heterogeneous item content. In real applications, user interests evolve over time and exhibit nonstationary dynamics, where different preference factors change at different rates. This challenge is amplified in multimodal settings because visual and textual cues can dominate decisions under different temporal regimes. Despite strong progress, most multimodal recommenders still rely on static interaction graphs or coarse temporal heuristics, which limits their ability to model continuous preference evolution with fine-grained temporal adaptation. To address these limitations, we propose TimeMM, a time-conditioned spectral filtering framework for dynamic multimodal recommendation. TimeMM instantiates Time-as-Operator by mapping interaction recency to a family of parametric temporal kernels that reweight edges on the user--item graph, producing component-specific representations without explicit eigendecomposition. To capture non-stationary interests, we introduce Adaptive Spectral Filtering that mixes the operator bank according to temporal context, yielding prediction-specific effective spectral responses. To account for modality-specific temporal sensitivity, we further propose Spectral-Aware Modality Routing that calibrates visual and textual contributions conditioned on the same temporal context. Finally, a ranking-space Spectral Diversity Regularization encourages complementary expert behaviors and prevents filter-bank collapse. Extensive experiments on real-world benchmarks demonstrate that TimeMM consistently outperforms state-of-the-art multimodal recommenders while maintaining linear-time scalability.