稀疏正则化多模态分词用于冷启动推荐
机器学习
2026-03-04 v2 信息检索
摘要
图神经网络 (GNN) 通过有效建模用户-项目交互,在推荐系统领域取得了突破,但数据稀疏性和项目冷启动问题显著削弱了性能,尤其是对于仅有有限或无交互历史的新项目。虽然多模态内容提供了有前景的解决方案,但现有方法会导致对新项目产生次优表示,因稀疏数据中的噪声和 entanglement。为此,我们将多模态推荐转化为离散语义分词。我们提出了面向冷启动推荐的稀疏正则化多模态分词框架 (MoToRec),该框架以稀疏正则化残差量化变分自编码器 (RQ-VAE) 为核心,生成离散、可解释 token 的组合语义代码,以促进解耦表示。MoToRec 的架构通过三个协同组件得到增强: (1) 稀疏正则化 RQ-VAE 以促进解耦表示; (2) 一种新颖的自适应稀有性放大,以促进冷启动项目的优先学习; (3) 用于稳健信号融合的层次化多来源图编码器。广泛的实验表明,MoToRec 在整体和冷启动场景中均优于最先进的方法。我们的工作验证了离散分词为缓解长期存在的冷启动挑战提供了有效且可扩展的替代方案。
引用
@article{arxiv.2602.11062,
title = {MoToRec: Sparse-Regularized Multimodal Tokenization for Cold-Start Recommendation},
author = {Jialin Liu and Zhaorui Zhang and Ray C. C. Cheung},
journal= {arXiv preprint arXiv:2602.11062},
year = {2026}
}
备注
Accepted to AAAI 2026 (Main Track)