多模态是构建可迁移推荐系统所需的一切

基于 ID 的推荐系统（RecSys）为每个项目分配一个唯一标识符，随后将其转换为嵌入向量，这种模式一直主导着推荐系统的设计。尽管这种基于 ID 的范式很普遍，但它不适合开发可迁移的推荐系统，并且也容易受到冷启动问题的影响。在本文中，我们突破了基于 ID 范式的边界，提出了一种纯多模态推荐系统（PMMRec），它仅依赖于项目的多模态内容（例如文本和图像），并学习足够通用的迁移模式，以实现跨领域和跨平台的迁移。具体而言，我们设计了一个即插即用的框架架构，由多模态项目编码器、融合模块和用户编码器组成。为了对齐跨模态项目表示，我们提出了一种新颖的下一项增强跨模态对比学习目标，该目标配备了模态间和模态内负样本，并明确将用户行为的迁移模式纳入项目编码器。为了确保用户表示的鲁棒性，我们提出了一种新颖的噪声项目检测目标和一种鲁棒性感知对比学习目标，两者协同以自监督方式对用户序列进行去噪。PMMRec 被设计为松耦合，因此在源数据上预训练后，每个组件可以单独迁移，或与其他组件联合迁移，使得 PMMRec 在多模态和单模态迁移学习设置下均能实现多功能性。在4个源数据集和10个目标数据集上的广泛实验表明，PMMRec 在推荐性能和可迁移性方面均超越了 SOTA 推荐器。我们的代码和数据集可在以下网址获取：https://github.com/ICDE24/PMMRec。