DReX: An explainable deep learning-based multimodal recommendation framework

doi:10.1016/j.knosys.2026.117184

DReX: An explainable deep learning-based multimodal recommendation framework

2026-10-19

0

PRE

AI

A

A Shyam

V

Venakateswara Rao Kagita

DOI：10.1016/j.knosys.2026.117184

原文链接

原文求助

摘要

En 中文

多模态推荐系统利用多样化的数据来源，如用户交互、内容特征和上下文信息，以解决冷启动和数据稀疏性等挑战。然而，现有方法通常存在一个或多个关键局限性，例如不同模态的孤立处理、训练期间每个交互需要完整的多模态数据，以及用户和物品表示的独立学习。这些局限性可能增加模型复杂度并阻碍一致的用户和物品表示学习。为解决这些挑战，我们提出了DReX，一个统一的多模态推荐框架，该框架维护用户和物品的演化全局表示。对于每个交互，特定模态的特征被组合成交互级表示，并选择性地整合以增量式演化全局用户和物品表示。这种增量更新机制提供了三个关键优势：(1) 同时建模细致的交互细节和更广泛的偏好模式，(2) 消除了独立的用户和物品特征提取过程，从而增强了其学习表示的对齐，(3) 对变化的或缺失的模态具有内在鲁棒性。我们在包含评论、评分和图像作为交互模态的三个真实数据集上评估了所提出方法的表现。通过将评论文本视为一种模态，我们的方法自动为用户和物品生成可解释的关键词档案，这些档案通过可解释的偏好指标补充推荐过程。实验结果表明，我们的方法在所有评估数据集上均优于当前最先进的方法。

Keyword:

Multimodal

Explainability

Recommender system

Interaction-level features

Global features

DReX: An explainable deep learning-based multimodal recommendation framework

摘要

期刊

机构

引用论文