Nov, 2023

多模态推荐的内容和结构的微妙特征中的 ID 嵌入

PDF
TL;DR本文研究了多模态推荐中 ID 嵌入的价值和语义特征，并提出了一种新的推荐模型，通过引入 ID 嵌入来增强内容和结构的语义特征。通过层次化注意机制和对比学习，提高了内容表示，并利用轻量级图卷积网络和 ID 嵌入改进了结构表示，最后将内容和结构表示相结合形成最终的物品嵌入。实验结果证明了我们方法在多个真实数据集上的优越性和对精细 ID 嵌入的有效性。
发现论文，激发创造
  • 多媒体推荐中的潜在结构挖掘

    本研究提出了一种基于 LATent sTructure mining method for multImodal reCommEndation（即 LATTICE）的方法，该方法从多种模式中挖掘潜在语义项目 - 项目结构，以学习更好的项目表示形式并进一步推动多媒体推荐，实验表明该方法可以提高推荐准确性。

    Apr, 2021

  • 语义 ID 提高泛化能力： 推荐排名案例研究

    该论文通过使用基于 RQ-VAE 的语义 ID 替代随机生成 ID 的方式来解决推荐系统中的冷启动问题，并展示了语义 ID 对模型的泛化能力的提升。

    Jun, 2023

  • 电商中的 ID 表示学习和转移

    提出了一种嵌入式学习框架，用于集成多种 ID（如用户 ID、项目 ID、产品 ID 等），以便在不同情况下进行相似性度量、跨域转移和不同任务之间的转移，以解决经典编码方法不足的问题。

    Dec, 2017

  • BiVRec: 双向基于视图的多模态顺序推荐

    提出了一种创新的框架 BivRec，通过联合训练 ID 和多模态视图的推荐任务，使推荐性能实现双向增强。该框架利用多尺度兴趣嵌入和交叉视图兴趣学习等模块，解决了信息异质性问题，并在五个数据集上取得了最先进的性能。

    Feb, 2024

  • 音乐推荐的深度内容 - 用户嵌入模型

    本文提出了一种深度内容 - 用户嵌入模型，它采用混合方法解决了冷启动问题，并考虑了不同模式数据的联合，同时在音乐推荐和音乐自动标记任务中，表现出了明显的优势。

    Jul, 2018

  • 解开基于 Session 的推荐中 ID 和模态效应的影响

    提出了一种新的框架 DIMO，通过解开 ID 和模态性在任务中的效应，实现了准确且可解释的推荐，通过因果推断进一步生成两个模板用于解释。

    Apr, 2024

  • 多模态推荐的对齐和训练框架

    通过系统调查多模态推荐中的对齐问题，本文提出了一种名为 AlignRec 的解决方案，由内容内部对齐、内容与分类 ID 之间的对齐，以及用户与项目之间的对齐这三个目标函数组成，将其融入到我们的多模态推荐框架中，并通过实验证明了 AlignRec 相对于其他九种基线方法的优越性。

    Mar, 2024

  • 通过大型语言模型增强基于内容的推荐系统

    本文提出了一种名为 LoID 的 “插件式” 语义知识传递方法，其中包括两个主要组成部分：基于 LoRA 的大型语言模型预训练以提取多方面的语义信息；基于 ID 的对比目标以对齐它们的特征空间。我们在真实数据集上使用 SOTA 基线进行了大量实验证明了我们的方法 LoID 的显著改进。

    Mar, 2024

  • MM-GEF：多模态表示与协同过滤相遇

    现代电子商务中，多种内容形式的物品特征为推荐系统提供了精确而全面的信息。本研究提出了一种基于图形的物品结构增强方法 MM-GEF：多模态图形早期融合推荐，通过将多模态特征的潜在物品结构与协作信号相结合，有效地改善了物品表示。在四个公开数据集上进行的大量实验证明了我们方法在多模态推荐技术方面的系统改进。

    Aug, 2023

  • 基于注意力机制的多模态数据顺序推荐系统

    提出了一种基于多模态数据的关注机制的序列推荐方法，该方法利用图像、文字和类别等多模态数据，利用 attention 操作和多任务学习损失，提高了推荐系统的性能。

    May, 2024