面向多模态序列推荐的层次时序混合专家模型
信息检索
2025-01-31 v2 人工智能
摘要
多模态序列推荐（SR）利用多模态数据来学习更全面的物品特征和用户偏好，相较于传统方法具有显著优势，已成为学术界和行业的关键议题。现有方法通常侧重于通过自适应模态融合来增强多模态信息的实用性，以捕捉用户偏好随用户-物品交互序列的演变。然而，这些方法大多忽略了来自丰富多模态数据中冗余且与兴趣无关的信息所造成的干扰。此外，这些方法主要依赖仅基于时间顺序的隐式时序信息，忽略了能够更有效地代表用户兴趣随时间动态变化的显式时序信号。为此，我们提出了一种面向多模态序列推荐的层次时序混合专家模型（HM4SR），该模型包含两个层次的混合专家（MoE）和一个多任务学习策略。具体而言，第一个混合专家称为交互式混合专家（Interactive MoE），从每个物品的多模态数据中提取关键的用户兴趣相关信息。随后，第二个混合专家称为时序混合专家（Temporal MoE），通过引入时间戳中的显式时序嵌入来捕捉用户的动态兴趣。为进一步解决数据稀疏问题，我们提出了三个辅助监督任务：用于物品特征理解的序列级类别预测（CP）、用于对齐序列上下文与用户兴趣的ID对比学习（IDCL），以及用于将时序信息与模态融合以进行动态兴趣建模的占位符对比学习（PCL）。在四个公开数据集上的大量实验表明，HM4SR在多个最先进方法之上具有显著优势。
引用
@article{arxiv.2501.14269,
title = {Hierarchical Time-Aware Mixture of Experts for Multi-Modal Sequential Recommendation},
author = {Shengzhe Zhang and Liyi Chen and Dazhong Shen and Chao Wang and Hui Xiong},
journal= {arXiv preprint arXiv:2501.14269},
year = {2025}
}
备注
Accepted to WWW 2025