别让自己掉下来：通过减少图卷积网络中节点邻居差异来提升多模态推荐
信息检索
2024-12-30 v1 多媒体
摘要
多媒体内容的快速扩张导致多模态推荐系统的出现。这一趋势在推荐系统中受到广泛关注，因为充分利用来自不同模态的数据可缓解持续存在的数据稀疏问题。因此，多模态推荐模型可以就视觉和文本信息就节点进行个性化学习。为进一步缓解数据稀疏问题，一些先前的工作在多模态推荐系统中引入图卷积网络 (GCN)，通过捕获用户和项目之间的潜在关系来增强用户和项目的语义表示。然而，采用 GCN 不可避免地引入了过平滑问题，使得节点变得过于相似。不幸的是，融合多模态信息会加剧这一挑战，因为过于相似的节点会丢失通过多模态信息学习到的个性化信息。为解决此问题，我们提出了一种新模型，通过减少节点邻居差异 (RedN₍N₍D) 在特征聚合期间保留 ego 节点的个性化信息。在三个公开数据集上的大量实验表明，RedN₍N₍D 在准确率和鲁棒性方面实现了状态的最佳性能，显著优于现有的 GCN-based 多模态框架。
引用
@article{arxiv.2412.18962,
title = {Don't Lose Yourself: Boosting Multimodal Recommendation via Reducing Node-neighbor Discrepancy in Graph Convolutional Network},
author = {Zheyu Chen and Jinfeng Xu and Haibo Hu},
journal= {arXiv preprint arXiv:2412.18962},
year = {2024}
}
备注
Accepted by ICASSP 2025