一次训练，处处部署：面向多模态推荐的 Matryoshka 表示学习
信息检索
2024-10-03 v2
摘要
尽管语言和视觉建模最近取得了进展，但将丰富的多模态知识整合到推荐系统中仍然面临重大挑战。这主要是由于高效推荐的需要，这要求自适应和交互式的响应。在本研究中，我们关注序列推荐，并引入了一个名为全尺度 Matryoshka 表示学习用于多模态推荐的轻量级框架。我们的 fMRLRec 在不同粒度上捕获物品特征，学习信息丰富的表示，以实现跨多个维度的高效推荐。为了整合来自不同模态的物品特征，fMRLRec 采用简单的映射将多模态物品特征投影到对齐的特征空间中。此外，我们设计了一种高效的线性变换，将较小的特征嵌入到较大的特征中，从而大幅降低了推荐数据大规模训练的内存需求。结合改进的状态空间建模技术，fMRLRec 可以扩展到不同维度，并且只需要一次训练即可生成针对不同粒度定制的多个模型。我们在多个基准数据集上展示了 fMRLRec 的有效性和效率，其性能始终优于最先进的基线方法。我们在 https://github.com/yueqirex/fMRLRec 公开提供了我们的代码和数据。
引用
@article{arxiv.2409.16627,
title = {Train Once, Deploy Anywhere: Matryoshka Representation Learning for Multimodal Recommendation},
author = {Yueqi Wang and Zhenrui Yue and Huimin Zeng and Dong Wang and Julian McAuley},
journal= {arXiv preprint arXiv:2409.16627},
year = {2024}
}
备注
Accepted to EMNLP 2024 Findings