多模态跨域推荐中的联合相似性物品探索与重叠用户引导
信息检索
2025-02-25 v1
摘要
跨域推荐 (CDR) 已被广泛研究，通过在不同域之间共享知识来解决长期数据稀疏问题。在本文中，我们关注多模态跨域推荐 (MMCDR) 问题，即不同物品具有多模态信息，而few users are overlapped across domains。MMCDR 在两个方面尤其具有挑战性:充分利用每个域内多样化的多模态信息，以及利用跨域的有用知识传递。然而，先前的方法未能聚类具有相似特征的物品，同时过滤掉不同模态中的继承噪声，阻碍了模型性能。更糟糕的是，传统 CDR 模型主要依赖重叠用户进行域适应，使其难以应对大多数用户不重叠的场景。为填补这一空白，我们提出联合相似性物品探索与重叠用户引导 (SIEOUG) 以解决 MMCDR 问题。SIEOUG 首先提出相似性物品探索模块，不仅获取成对和组的物品-物品图知识，还为多模态建模减少不相关噪声。然后 SIEOUG 提出用户-物品协同过滤模块，以注意力机制聚合用户/物品嵌入进行协同过滤。最后 SIEOUG 提出重叠用户引导模块，通过最优用户匹配实现跨域知识共享。我们在具有多个不同任务的 Amazon 数据集上进行经验研究，证明 SIEOUG 在 MMCDR 设置下显著优于最新的模型。
引用
@article{arxiv.2502.16068,
title = {Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation},
author = {Weiming Liu and Chaochao Chen and Jiahe Xu and Xinting Liao and Fan Wang and Xiaolin Zheng and Zhihui Fu and Ruiguang Pei and Jun Wang},
journal= {arXiv preprint arXiv:2502.16068},
year = {2025}
}