超越图卷积：基于拓扑感知多层感知机的多模态推荐

鉴于来自不同模态的大量辅助信息，多模态推荐系统变得日益重要，因为它们利用了用户-物品交互之外的更丰富的语义信息。近期研究强调，利用图卷积网络（GCNs）显式建模多模态物品-物品关系可以显著提升推荐性能。然而，由于 GCNs 固有的过度平滑问题，现有模型仅受益于表示能力有限的浅层 GCNs。这一缺点在面对复杂和高维模式（如多模态数据）时尤为突出，因为它需要大容量模型来适应复杂的相关性。为此，本文研究在建模多模态物品-物品关系时绕过 GCNs。具体而言，我们提出了一种拓扑感知的多层感知机（TMLP），它使用 MLPs 而非 GCNs 来建模物品之间的关系。TMLP 通过拓扑剪枝来增强 MLPs 以去噪物品-物品关系，并通过内（间）模态学习来整合高阶模态相关性。在三个真实世界数据集上的大量实验验证了 TMLP 相对于九个基线的优越性。我们还发现，通过丢弃 GCNs 中对节点连接敏感的内部消息传递，TMLP 在训练效率和鲁棒性方面相比现有模型均有显著提升。