SynerGraph：面向多模态推荐的集成图卷积网络
信息检索
2024-05-30 v1
摘要
本文提出了一种多模态推荐系统的新方法，专注于多模态数据的集成与净化。我们的方法首先开发一个滤波器，用于去除各类数据中的噪声，从而使推荐更加可靠。我们研究了top-K稀疏化对不同数据集的影响，找到了在欠拟合与过拟合之间取得平衡的最优值。研究强调了文本信息相较于视觉数据在深入理解物品方面的重要作用。我们进行了敏感性分析，以理解不同模态以及净化器循环损失的使用如何影响模型效率。结果表明，融合多种模态的系统优于仅依赖单一模态的系统。我们的方法突出了模态净化器在过滤无关数据、确保用户偏好保持相关性方面的重要性。没有模态净化器的模型性能下降，强调了有效集成预提取特征的必要性。所提出的模型包含一个新颖的自监督辅助任务，在准确捕捉用户偏好方面展现出潜力。融合技术的主要目标是通过结合知识与物品信息，利用高级语言模型来增强用户偏好的建模。大量实验表明，我们的模型比现有的最先进多模态推荐系统产生了更好的结果。
引用
@article{arxiv.2405.19031,
title = {SynerGraph: An Integrated Graph Convolution Network for Multimodal Recommendation},
author = {Mert Burabak and Tevfik Aytekin},
journal= {arXiv preprint arXiv:2405.19031},
year = {2024}
}