.png){kind=icon}
返回
MMHCL: Multi-Modal Hypergraph Contrastive Learning for Recommendation
.png){kind=icon}
OA
AI
DOI：10.1145/3762665.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多模态内容分享平台的蓬勃发展推动了个性化推荐系统的发展。现有研究通常受限于数据稀疏和冷启动问题，可能无法充分挖掘多模态数据中的语义用户-产品关联。为解决这些问题，我们提出了一种新颖的多模态超图对比学习（MMHCL）框架用于用户推荐。为全面探索用户-产品关系中的信息，我们构建了两种超图，即用户-用户（u2u）超图和物品-物品（i2i）超图，分别用于挖掘用户间的共享偏好以及物品间的复杂多模态语义相似性。这一过程生成了更密集的二阶语义信息，这些信息与一阶用户-物品交互融合作为补充，以缓解数据稀疏问题。随后，我们设计了一种协同对比学习特征增强范式。通过最大化/最小化同一/不同用户和物品的二阶（如用户共享偏好模式）与一阶（用户对选定物品的信息）嵌入之间的互信息，可以有效增强特征的可区分性。相较于仅使用稀疏的一阶用户-物品交互，我们的MMHCL获得了更密集的二阶超图，并挖掘了更丰富的共享属性以探索用户-产品关联，这在一定程度上缓解了数据稀疏和冷启动问题。大量实验全面验证了我们所提方法的有效性。我们的代码已公开托管于https://github.com/Xu107/MMHCL。
期刊
机构
暂无机构信息
引用论文
Xu Xie, Fei Sun, Zhaoyang Liu, Shiwen Wu, Jinyang Gao, Jiandong Zhang, Bolin Ding, and Bin Cui. 2022. Contrastive learning for sequential recommendation. In IEEE 38th International Conference on Data Engineering (ICDE). IEEE, 1259–1273.徐谢、孙飞、刘兆阳、吴诗文、高金阳、张建东、丁博林和崔斌。2022年。序列推荐的对比学习。发表于IEEE第38届国际数据工程会议（ICDE）。IEEE，1259–1273页。.png)
IF0
PREAI
分享收藏Enhancing robust VQA via contrastive and self-supervised learning通过对比和自监督学习增强鲁棒VQAPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Personalized Fashion Recommendation with Visual Explanations based on Multimodal Attention Network
OAAI
OAAI分享收藏Ruining He and Julian McAuley. 2016. VBPR: Visual Bayesian personalized ranking from implicit feedback. In Proceedings of the 30th AAAI Conference on Artificial Intelligence, 144–150.Ruining He和Julian McAuley. 2016. VBPR: 基于隐式反馈的视觉贝叶斯个性化排序. 在第30届AAAI人工智能会议论文集中，144–150.
IF0
PREAI
分享收藏
查看更多内容