FGCM：结合图对比学习的多模态推荐系统中的模态-行为融合模型

《IEEE MultiMedia》：FGCM: Modality-Behavior Fusion Model Integrated with Graph Contrastive Learning for Multimodal Recommendation

多模态推荐系统通过融合多源数据提升用户偏好捕捉能力，但面临数据稀疏和交互信息被淹没的挑战。本文提出FGCM模型，结合随机噪声增强的图对比学习缓解数据稀疏性，并通过模态行为融合器协同交互数据与多模态侧边信息，实验表明优于现有方法。

　　

摘要：

多模态推荐系统（MRSs）旨在整合来自多种模态的信息，以更好地捕捉用户的偏好。然而，现有的MRSs通常面临数据稀疏性的挑战，尤其是用户与物品之间的交互有限时。用户可能只与数百万个物品中的少数几个进行交互，这种情况并不少见。更重要的是，交互信息容易变得过于复杂，从而导致推荐效果不佳。为了解决这些关键问题并进一步提高MRSs的性能，我们提出了一种结合图对比学习的多模态推荐模型（FGCM）。首先，通过在图对比学习中引入随机噪声，FGCM能够有效缓解数据稀疏性问题。接着，我们提出了一种模态-行为融合器，该融合器以协同信号和多模态信号为指导，有效地融合交互数据和多模态辅助信息数据。在三个数据集上的广泛实验表明，我们提出的方法优于多种现有的先进方法。

作为人工智能（AI）最受欢迎和最重要的应用之一，推荐系统（RSs）已被广泛应用于电子商务、医疗保健、个性化学习和在线媒体等多个领域。这些RSs帮助用户发现符合他们偏好的信息，从而实现准确的推荐。