用于多模态推荐的双通道自适应用户意图路由对齐

《Scientific Reports》：Dual-channel adaptive user-intent routing alignment for multimodal recommendation

　　

摘要

基于图的多模态推荐系统利用视觉和文本特征来缓解数据稀疏性问题，但仍存在三个系统性局限：文本建模仅限于项目元数据，忽略了来自评论的情感倾向信号；用户侧的表示依赖ID嵌入，缺乏个性化的多模态对齐；标准的BPR目标在不考虑样本质量的情况下施加统一的梯度压力。我们提出了DAURA（双通道自适应用户意图排序对齐）这一插件增强框架，该框架包含三个模块：（1）LLM评论情感通道，从5条核心用户评论中提取情感信号，形成独立的文本表示，补充元数据派生的语义特征；（2）自适应双轨用户中心对齐（AD-UCA）模块，通过图聚合构建每个用户的多模态画像，并使用轻量级的意图路由器在损失层分配个性化的模态偏好权重；（3）双核自适应边际BPR（DAM）模块，结合情感极性和语义密度生成项目级别的自适应排名边际。在三个亚马逊基准数据集和Yelp开放数据集上的实验表明，DAURA在产品和餐厅推荐领域的表现始终优于所有基线算法，同时消融研究验证了每个模块的贡献。