ITCoHD-MRec：一种基于独立拓扑偏好感知和合作超图扩散的多模态推荐模型

《ACM Transactions on Information Systems》：ITCoHD-MRec: An Independent Topological Preference Aware and Cooperative Hypergraph Diffusion based Multimodal Recommender Model

多模态推荐通过融合用户历史行为与文本、图像等多模态特征提升个性化推荐效果。现有方法依赖模态特征与超图关联结构，但存在用户协作偏好挖掘不足及高阶多模态数据噪声干扰问题。本文提出的ITCoHD-MRec模型创新性地结合拓扑感知（通过图卷积网络独立捕捉用户协作与模态关联特征）与扩散模型（利用超图结构进行高阶信息传播），有效抑制特征同质化并增强全局依赖性理解。实验表明，在四类真实数据集上，该模型较现有方法在Recall提升0.85%-3.57%，NDCG提升2.31%-3.43%。

　　

摘要

多模态推荐通过联合建模用户的历史行为以及在线平台中物品的不同模态（如文本、图像、音频和视频），提供更丰富、更准确的个性化推荐。现有的大多数多模态推荐研究都侧重于利用模态特征和模态关联图结构来学习用户偏好。由于对用户协作偏好的探索不足，以及高阶多模态数据连接过程中的噪声干扰，有价值的信息可能会丢失，从而导致对用户偏好的理解出现偏差。因此，对于在线平台而言，需要一个基于独立拓扑偏好感知和协作超图扩散的多模态推荐模型（ITCoHD-MRec）。本文旨在开发一个ITCoHD-MRec模型，该模型将拓扑感知与生成扩散模型结合到多模态超图推荐中，以使模型在复杂环境中更具适应性和鲁棒性。首先，通过使用图卷积网络（GCN），模型从用户-物品交互图中独立捕获用户偏好表示，这些交互图包含ID嵌入和模态特征，从而能够提取用户与物品之间的更深层次关联。其次，利用拓扑剪枝技术，模型在不同模态块中学习差异化的特征，防止节点表示变得同质化，这有助于进一步识别用户偏好的连接模式并去除冗余的噪声连接。最后，通过应用扩散模型，模型传播了超图结构中属性与物品之间的高阶交互模式信息，有效地捕捉了属性与物品之间的潜在全局依赖关系，为后续推荐任务提供了更具实质性语义信息的更深层次关联。该模型能够自主学习节点的不同特征和高阶连接性，从而在复杂的交互环境中更准确地感知用户偏好。在四个真实数据集（婴儿、体育、服装和电子产品）上与十五个模型进行的实验比较表明，该模型的召回率提高了0.85%至3.57%，标准化折扣累积增益提高了2.31%至3.43%，验证了ITCoHD-MRec的有效性。