相似性传播：基于相似性传播增强的多模态推荐不确定性
信息检索
2026-01-28 v1
摘要
多模态推荐 (Multimodal Recommendation, MMR) 系统是现代平台的关键组件，但常受制于模态特征中固有的噪声与不确定性，如模糊图像、多样化视觉外观或模糊文本。现有方法往往忽视模态特定的不确定性，导致特征融合效果不佳。此外，这些方法未能利用用户和物品之间丰富的相似性模式以细化表示及其相应的不确定性估计。为此，我们提出一种新型框架：相似性传播增强的多模态推荐不确定性 (Similarity Propagation-enhanced Uncertainty for Multimodal Recommendation, SPUMR)。SPUMR 通过构建模态相似图和协同相似图，从内容和行为两个角度细化表示。随后，采用不确定性感知的偏好聚合模块，对细化后的多模态特征进行自适应融合，为更可靠的模态分配更大权重。我们在三个基准数据集上进行大量实验，证明 SPUMR 在现有领先方法上取得显著提升。
引用
@article{arxiv.2601.19198,
title = {Propagating Similarity, Mitigating Uncertainty: Similarity Propagation-enhanced Uncertainty for Multimodal Recommendation},
author = {Xinzhuo Wu and Hongbo Wang and Yuan Lin and Kan Xu and Liang Yang and Hongfei Lin},
journal= {arXiv preprint arXiv:2601.19198},
year = {2026}
}
备注
Accepted by ICASSP2026