摘要:
多媒体内容在现代网络时代占主导地位。在快速发展的推荐系统中,调查用户如何与多模式项目交互是一个持续关注的问题。以前的大部分工作都集中在建模用户项交互,并将多模态特征作为辅助信息。然而,这个方案并不是为多媒体设计的
正式建议具体来说,只有协作项目-项目关系通过高阶项目-用户-项目关系隐式建模。考虑到项目以多种形式与丰富的内容相关联,我们认为这些多模态内容背后潜在的语义项目结构可能有助于学习更好的项目表示,并进一步促进推荐。为此,我们提出了一种用于多模式推荐的潜在结构挖掘方法,为简洁起见,我们称之为格。具体来说,在所提出的格模型中,我们设计了一个新的模态感知结构学习层,该层学习每个模态的项目结构,并聚合多个模态以获得潜在项目图。基于学习到的潜在图,我们执行图卷积,将高阶项亲和力显式地注入到项表示中。然后,这些丰富的项目表示可以插入现有的协同过滤方法中,以做出更准确的建议。在三个真实数据集上的大量实验证明了我们的方法优于最先进的多媒体推荐方法,并验证了从多模态特征中挖掘潜在项目关系的有效性。
总结:
在本文中,我们提出了用于多模态推荐的潜在结构挖掘方法(LATTICE),该方法利用图结构学习来发现多模态特征下的潜在项关系。特别是,我们首先设计了一个模态感知图结构学习层,该层从多模态特征中学习项目图结构,并融合多模态图。沿着所学习的图结构,一个项目可以通过图卷积从其邻居处接收信息丰富的高阶亲和力。最后,我们结合我们的模型和下游CF方法提出建议。在三个公共数据集上的实证结果证明了我们提出的模型的有效性。