BiVRec: 双向基于视图的多模态顺序推荐
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
该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐，以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-based 的编码器 - 解码器模型和动态融合模块，MISSRec 能够实现更鲁棒且可迁移的序列表示，该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。
Aug, 2023
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
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。
Nov, 2023
通过捕获用户在网站上导航过程中的高频截图，利用多模态大型语言模型（MLLM）从这些截图中提取用户偏好的有价值洞察，基于预定义的关键词生成用户行为摘要，并将该摘要作为输入传递给 LLM 综合优化设置，从而产生量身定制的推荐，我们的实验证明了 InteraRec 在提供有价值和个性化的优惠方面的有效性。
Feb, 2024
本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。
May, 2023
提出了一种视觉 - 语言坐标时间序列新闻推荐方法，基于预训练的多模型编码器，应用自注意力网络学习时间顺序。通过构建的大规模多模式新闻推荐数据集 V-MIND 验证了该方法的优越性。
Oct, 2022
通过混合模态反馈实现端到端训练的信息转移神经网络，从而实现基于原始特征的推荐系统，并在四种不同的真实世界推荐设置中评估了其传递能力，为实现通用的推荐系统提供了一种有前途的方法。
Jun, 2022
本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。
May, 2020
我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。
Apr, 2024