无训练可调多项式图滤波用于超快速多模态推荐
计算与语言
2025-03-07 v1
摘要
多模态推荐系统通过利用文本、图像和视频等多种内容类型来提升标准推荐系统（缺乏物品特征）的性能，同时缓解用户-物品交互的固有稀疏性并加速用户参与。然而，当前基于神经网络的模型通常因学习和整合多模态信息所需的复杂训练过程而产生显著的计算开销。为了解决这一挑战，我们提出了一种基于图滤波的无训练多模态推荐方法，旨在为多模态推荐系统实现高效且准确的推荐。具体而言，所提出的方法首先为两种不同模态以及用户-物品交互数据构建多个相似性图。然后，它使用多项式图滤波最优地融合这些多模态信号，该滤波器允许通过调整频率边界来精确控制频率响应。此外，滤波器系数被视为超参数，从而实现灵活且数据驱动的自适应。在真实世界基准数据集上的大量实验表明，所提出的方法不仅将推荐准确度相比最佳竞争者提升了高达 22.25%，而且还将计算成本大幅降低，实现了不到 10 秒的运行时间。
引用
@article{arxiv.2503.04405,
title = {Comparative Study of Zero-Shot Cross-Lingual Transfer for Bodo POS and NER Tagging Using Gemini 2.0 Flash Thinking Experimental Model},
author = {Sanjib Narzary and Bihung Brahma and Haradip Mahilary and Mahananda Brahma and Bidisha Som and Sukumar Nandi},
journal= {arXiv preprint arXiv:2503.04405},
year = {2025}
}
备注
Submitted to SpringerNature MTAP journal. This article has not been reviewed yet. Submitting for public review!