GUME：面向长尾多模态推荐的图与用户模态增强

多模态推荐系统（MMRS）因其能够联合利用用户行为以及产品图像和文本信息的能力而受到研究界的广泛关注。以往的研究存在两个主要问题。首先，推荐系统中的许多长尾物品交互数据有限，使得学习全面且信息丰富的表征变得困难。然而，过去的 MMRS 研究忽视了这个问题。其次，用户的模态偏好对其行为至关重要。但以往的研究主要集中在学习物品模态表征上，而用户模态表征则相对简单。为了解决这些挑战，我们提出了一种新颖的面向长尾多模态推荐的图与用户模态增强（Graphs and User Modalities Enhancement, GUME）方法。具体来说，我们首先利用物品间的多模态相似性来增强用户-物品图。这改善了长尾物品的连接性，并帮助它们通过图传播学习高质量的表征。然后，我们构建两种类型的用户模态：显式交互特征和扩展兴趣特征。通过使用用户模态增强策略最大化这两种特征之间的互信息，我们提高了用户模态表征的泛化能力。此外，我们设计了一种模态数据对齐策略，以从内部和外部视角去除噪声。在四个公开数据集上的大量实验证明了我们方法的有效性。