LGMRec：用于多模态推荐的局部与全局图学习
信息检索
2024-04-19 v2
摘要
多模态推荐已逐渐成为在线媒体平台的基础设施，使其能够通过联合建模用户历史行为（例如购买、点击）和物品的各种模态（例如视觉和文本）来为用户提供个性化服务。大多数现有研究通常专注于利用模态特征或模态相关的图结构来学习用户局部兴趣。然而，这些方法面临两个局限性：(1) 用户 ID 嵌入的共享更新导致协同信号与多模态信号之间的耦合；(2) 缺乏对鲁棒全局用户兴趣的探索，以缓解局部兴趣建模面临的稀疏交互问题。为解决这些问题，我们提出了一种新颖的局部与全局图学习引导的多模态推荐器 (LGMRec)，它联合建模局部和全局用户兴趣。具体而言，我们提出了一个局部图嵌入模块，利用局部拓扑关系独立学习用户和物品的协同相关嵌入与模态相关嵌入。此外，设计了一个全局超图嵌入模块，通过建模深刻的全局依赖关系来捕捉全局用户和物品嵌入。在超图嵌入空间中获取的全局嵌入随后可以与两个解耦的局部嵌入相结合，以提高推荐的准确性和鲁棒性。在三个基准数据集上进行的大量实验证明了我们的 LGMRec 优于各种最先进的推荐基线，展示了其在建模局部和全局用户兴趣方面的有效性。
引用
@article{arxiv.2312.16400,
title = {LGMRec: Local and Global Graph Learning for Multimodal Recommendation},
author = {Zhiqiang Guo and Jianjun Li and Guohui Li and Chaoyang Wang and Si Shi and Bin Ruan},
journal= {arXiv preprint arXiv:2312.16400},
year = {2024}
}
备注
Accepted by AAAI2024