MMHCL：基于多模态超图对比学习的推荐系统

《ACM Transactions on Multimedia Computing, Communications, and Applications》：MMHCL: Multi-Modal Hypergraph Contrastive Learning for Recommendation

多模态推荐系统通过构建用户-用户和物品-物品双超图，融合高阶语义与原始交互缓解数据稀疏和冷启动问题。对比学习增强特征区分度，有效挖掘用户-物品关联。

　　

摘要

多模态内容共享平台的蓬勃发展推动了个性化推荐系统的发展。以往的研究通常面临数据稀疏性和冷启动问题，无法充分挖掘多模态数据中的用户与产品之间的语义关联。为了解决这些问题，我们提出了一种新的多模态超图对比学习（MMHCL）框架用于用户推荐。为了全面探索用户与产品之间的关系，我们构建了两个超图：用户之间的超图（u2u）和项目之间的超图（i2i），分别用于挖掘用户之间的共享偏好以及项目之间的复杂多模态语义相似性。这一过程生成了更加密集的二阶语义信息，并将其与一阶用户-项目交互信息相结合，以弥补数据稀疏性问题。接下来，我们通过应用协同对比学习来设计特征增强机制。通过最大化/最小化相同/不同用户和项目的二阶特征（例如用户的共享偏好模式）与一阶特征（用户所选项目的信息）之间的互信息，可以有效提升特征的可区分性。与仅使用稀疏的一阶用户-项目交互信息相比，我们的MMHCL能够生成更加密集的二阶超图，并挖掘出更多共享属性，从而在一定程度上缓解了数据稀疏性和冷启动问题。大量实验充分证明了该方法的有效性。我们的代码可在https://github.com/Xu107/MMHCL公开获取。