训练ID无关的多模态序列推荐器的实证研究
信息检索
2024-10-08 v5
摘要
序列推荐（SR）旨在基于历史交互预测未来的用户-物品交互。尽管许多SR方法专注于用户ID和物品ID，但人类通过文本和图像等多模态信号感知世界的方式，激发了研究者探索在不使用ID的情况下从多模态信息构建SR。然而，多模态学习的复杂性体现在多样的特征提取器、融合方法和预训练模型上。因此，设计一个简单且通用的多模态序列推荐（MMSR）框架仍然是一个艰巨的挑战。我们系统总结了现有的多模态相关SR方法，并将其精髓提炼为四个核心组件：视觉编码器、文本编码器、多模态融合模块和序列架构。沿着这些维度，我们剖析了模型设计，并回答了以下子问题：首先，我们探索如何从零开始构建MMSR，确保其性能在不使用复杂技术的情况下达到或超越现有SR方法。其次，我们检验MMSR是否能从现有的多模态预训练范式中受益。第三，我们评估MMSR应对冷启动和领域迁移等常见挑战的能力。我们在四个真实世界推荐场景上的实验结果表明了ID无关的多模态序列推荐的巨大潜力。我们的框架可在以下地址找到：https://github.com/MMSR23/MMSR。
引用
@article{arxiv.2403.17372,
title = {An Empirical Study of Training ID-Agnostic Multi-modal Sequential Recommenders},
author = {Youhua Li and Hanwen Du and Yongxin Ni and Yuanqi He and Junchen Fu and Xiangyan Liu and Qi Guo},
journal= {arXiv preprint arXiv:2403.17372},
year = {2024}
}
备注
An Empirical Study of Training ID-Agnostic Multi-modal Sequential Recommenders