面向多媒体推荐的多视图图卷积网络
信息检索
2023-08-08 v1
摘要
多媒体推荐近年来受到广泛关注。它基于行为信息与物品多模态信息对用户偏好进行建模。尽管当前基于 GCN 的方法取得了显著成功，但仍存在两个局限：（1）模态噪声对物品表示的污染。现有方法常将模态特征与行为特征在单一视图（如用户-物品视图）中混合传播，模态特征中的噪声可能被放大并与行为特征耦合，最终导致特征可分辨性差；（2）因对等对待模态特征而引起的用户偏好建模不完整。用户在选择不同物品时往往表现出不同的模态偏好。对各模态特征等权融合忽略了不同模态间的相对重要性，导致用户偏好建模次优。为应对上述问题，我们提出一种新颖的面向多媒体推荐的多视图图卷积网络。具体而言，为避免模态噪声污染，首先借助物品行为信息对模态特征进行净化。随后，物品的净化模态特征与行为特征在包括用户-物品视图和物品-物品视图的分离视图中分别 enrichment。以此增强特征的可区分性。同时，设计了一种行为感知融合器，通过自适应学习不同模态特征的相对重要性来全面建模用户偏好。此外，我们为该融合器配备了一个自监督辅助任务。该任务旨在最大化融合多模态特征与行为特征之间的互信息，从而同时捕获互补与补充的偏好信息。在三个公开数据集上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2308.03588,
title = {Multi-View Graph Convolutional Network for Multimedia Recommendation},
author = {Penghang Yu and Zhiyi Tan and Guanming Lu and Bing-Kun Bao},
journal= {arXiv preprint arXiv:2308.03588},
year = {2023}
}
备注
MM'23