面向多模态推荐的自环迭代异构信息融合框架（SLIF-MR）

知识图谱（KG）和多模态物品信息分别捕获关系特征和属性特征，在提高推荐系统准确率方面发挥着关键作用。近期研究尝试通过多模态知识图谱（MKG）集成它们，以进一步提升推荐性能。然而，现有方法通常在训练期间冻结MKG结构，这限制了来自异构图（如KG和用户-物品交互图）的结构信息的充分集成，导致性能次优。为此，我们提出一种新框架，称为Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation（SLIF-MR），该框架利用来自前一训练轮的物品表示作为反馈信号，动态优化由KG、多模态物品特征图和用户-物品交互图组成的异构图结构。通过这种迭代融合机制，细化用户和物品表示，从而提高最终推荐性能。具体而言，基于反馈物品表示，SLIF-MR构建物品-物品关联图，然后作为异构图构建过程的额外新结构信息以自环方式集成。因此，随着训练过程中反馈物品表示的更新，异构图的内部结构也随之更新。此外，本文提出了一种语义一致性学习策略，以跨模态对齐异构物品表示。实验结果表明，SLIF-MR显著优于现有方法，尤其在准确性和鲁棒性方面表现更佳。