面向多模态序列推荐的行为绑定量化：BBQRec

多模态序列推荐系统利用辅助信号（如文本、图像）来缓解用户-物品交互的数据稀疏问题。虽然最近的方法利用大型语言模型将模态编码为离散语义 ID 以进行自回归预测，但我们识别出两个关键局限性：（1）现有方法采用碎片化量化，导致模态独立映射到语义空间且与行为目标错位；（2）过度依赖语义 ID 破坏了模态间的语义一致性，从而削弱了多模态表征对建模多样化用户偏好的表达能力。为此，我们提出了一种面向序列推荐的行为绑定多模态量化方法（Behavior-Bind multi-modal Quantization for Sequential Recommendation，简称 BBQRec），特点包括双向对齐量化和语义感知序列建模。首先，我们的行为-语义对齐模块通过对比性码本学习将模态无关的行为模式从噪声化模态特定特征中解耦，确保语义 ID 本质上与推荐任务绑定。其次，我们设计了离散相似度重加权机制，动态调整基于量化语义关系的自注意力得分，既保留多模态协同性，又避免对序列建模架构进行侵入式修改。在四个真实世界基准上的广泛评估表明，BBQRec 在当前最先进方法上显著优于对手。