MITRec: Modality intertwined tensorization decomposition for multimodal recommendation

Yan Zhang

doi:10.1016/j.eswa.2026.132296

MITRec: Modality intertwined tensorization decomposition for multimodal recommendation

2026-04-04

0

PRE

AI

DOI：10.1016/j.eswa.2026.132296

原文链接

原文求助

摘要

En 中文

多模态推荐旨在通过联合建模用户的历史行为和物品的多模态信息来提升个性化推荐性能。现有方法在有效捕捉模态间高阶语义交互方面存在困难，限制了学习表征的表达能力和准确性。为解决此问题，我们提出了基于模态交织的张量分解方法用于多模态推荐，命名为MITRec。该方法通过张量分解机制将视觉和文本特征之间的结构化跨模态交互汇总为样本特定的兼容性信号，并在后续融合和层次化注意力精炼过程中补充模态特定嵌入。为增强模型的判别能力和推荐性能，层次化注意力模块通过多层级语义特征提取与精炼来捕获关键信息。实验结果表明，MITRec在多个评估指标上均优于现有方法，在Baby、Sports和Clothing数据集上的平均提升分别为5.01%、6.70%和10.26%。源代码公开于https://github.com/HubuKG/MITRec。

Keyword:

Multimodal recommendation

Tensorization decomposition

Hierarchical attention

Cross-modal interactions

Personalized recommendation

MITRec: Modality intertwined tensorization decomposition for multimodal recommendation

摘要

期刊

机构

引用论文