利用同质图增强二部关系以提升多模态推荐性能
信息检索
2023-02-10 v3 多媒体
摘要
推荐系统中的用户交互数据是一种反映用户对物品偏好的二部关系。学习用户和物品这两类离散对象的表示对推荐至关重要。近期，利用多模态特征（如图像和文本描述）的多模态推荐模型已被证明能有效提升推荐精度。然而，现有最优模型在增强用户与物品间的二部关系时，仅考虑用户-用户或物品-物品关系，而忽略了另一侧（即用户或物品）的高阶关系。此外，我们通过实验揭示，现有最优模型中的多模态融合方法可能反而降低其推荐性能——即在保持模型架构不变的情况下，这些模型仅使用单模态信息即可获得更好的推荐精度。基于该发现，我们提出一种模型，通过为双方构建同质图来学习用户与物品的双重表示，从而增强二部关系，用于多模态推荐，命名为 DRAGON。具体而言，DRAGON 基于共同交互物品构建用户-用户图，并基于物品多模态特征构建物品-物品图；随后在用户-物品异质图与同质图（用户-用户、物品-物品）上利用图学习获得用户与物品的双重表示。为捕获各模态信息，DRAGON 采用一种简单而有效的融合方法——注意力拼接，来推导用户与物品的表示。在三个公开数据集和七个基线模型上的大量实验表明，DRAGON 平均优于最强基线 22.03%。我们还对 DRAGON 进行了多种消融实验以验证其有效性。
引用
@article{arxiv.2301.12097,
title = {Enhancing Dyadic Relations with Homogeneous Graphs for Multimodal Recommendation},
author = {Hongyu Zhou and Xin Zhou and Lingzi Zhang and Zhiqi Shen},
journal= {arXiv preprint arXiv:2301.12097},
year = {2023}
}
备注
17 pages, 3 figures