.png){kind=icon}
返回
Exploiting diffusion-based structured learning for item interactions representations in multimodal recommender systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104075.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多模态推荐系统（MRS）通过利用不同的物品信息（如文本、图像和音频）来提升推荐性能。现有的非图基MRS技术结合了嵌入（即ID和多模态嵌入），但忽略了间接和高阶交互。图基MRS方法使用图稀疏化（GS）来构建物品图，并使用图卷积网络（GCNs）处理高阶交互。然而，GS会减小物品图规模，而GCNs由于预定义权重而忽略特定信息。因此，为缓解上述问题，本研究提出了一种基于扩散的结构化学习技术用于多模态推荐系统（DSL-MRS），该技术能在保持图结构的同时提升隐含物品图的信息流。此外，我们采用了图注意力神经网络（GANN）来表示复杂的物品-物品高阶交互，并通过注意力机制为邻居节点分配权重以优先考虑相关节点。同时，为优化模型，使用了加权近似秩对（WARP）损失函数，以优先预测已观察物品而非未指定物品。为证明DSL-MRS的优势，我们在三个公开的Amazon数据集类别上进行了大量实验。实验结果表明，与基线模型相比，所提出的方法在R@20上平均提升了5.8%，在precision@20上提升了8.7%，在NDCG@20上提升了7.8%，在F-score@20上提升了8.8%。消融研究证明了DSL-MRS的价值和有效性，因为移除其组件会导致性能下降。
Keyword:
Multimodal recommender system
Attention mechanism
Graph structure learning
Graph diffusion
Interaction graph
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
引用论文
A Survey of Recommendation Systems: Datasets, Evaluation Methods, and Application Domains推荐系统综述：数据集、评估方法与应用领域
PREAI
分享收藏Large scale image annotation: learning to rank with joint word-image embeddings.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏A survey on personalized itinerary recommendation: From optimisation to deep learning个性化行程推荐研究综述: 从优化到深度学习
OAAI
OAAI分享收藏分享收藏
查看更多内容