双侧协同过滤多模态推荐对比表示提升算法

摘要

现有多模态推荐系统存在三方面不足:未充分挖掘多模态数据与交互数据的潜在关联,导致关键特征弱化;未考虑物品中与用户兴趣无关的噪声及交互行为中偶然因素引入的噪声干扰;采用静态融合赋予各模态均等权重,无法动态感知用户兴趣变化,特征表示区分度不足。为此,提出一种用户和物品双侧协同过滤多模态推荐对比表示提升算法(two-sided collaborative filtering multimodal contrastive representation enhancement, TCFCRE),通过对比学习强化关键特征,以有效地挖掘多模态数据与交互数据之间的潜在关联。同时,为降低噪声对用户表示学习的影响,设计跨模态用户表示对齐模块,挖掘不同模态用户特征的一致性以提取真实兴趣;基于用户-物品多模态关系构建掩码矩阵生成增强视图,借助对比学习减弱隐式反馈中的噪声干扰。为解决传统静态融合无法区分模态重要性与适配动态兴趣变化的问题,设计多模态动态融合模块,为各模态表示自适应计算融合权重。在三个公开数据集上进行大量试验,结果表明,TCFCRE相较于多种先进基线模型取得显著性能提升。

关键词

多模态推荐 / 图神经网络 / 表示学习 / 对比学习 / 表示增强