-
题名基于图神经网络的多模态长尾微视频推荐算法
- 1
-
-
作者
罗晨
游进国
万小容
李晓武
-
机构
昆明理工大学信息工程与自动化学院
-
出处
《计算机应用研究》
北大核心
2025年第11期3363-3369,共7页
-
文摘
现有的多模态图神经网络微视频推荐算法,对于交互度数高的项目节点,其中多模态特征包含的信息会随着图卷积的过程而被增强;但对于交互度数低的项目节点,其信息则会被削弱,这便带来了长尾问题。针对此问题,提出了基于图神经网络的多模态长尾微视频推荐算法(MLT-GNN)。该算法提出了一种偏好信息共享概念,对用户历史交互中的头项目节点和尾项目节点之间的关联进行建模,来发现在不同模态下不同项目中蕴涵的相同信息;为缓解用户-项目图中尾项目节点信息丢失问题,该算法从交互丰富的头项目节点中发现尾项目节点所需信息,结合注意力机制对其进行信息弥补,减小头尾项目节点的差距。在MovieLens和Tiktok两个公开微视频数据集上的实验表明,MLT-GNN算法在precision、recall和NDCG指标上分别实现了至少3.18%、5.27%和6.29%的提升,验证了该算法在改善长尾项目节点对用户偏好预测贡献度方面的有效性。
-
关键词
多模态推荐系统
长尾问题
图神经网络
微视频
注意力机制
-
Keywords
multimodal recommendation
long-tail problem
graph neural network
micro-video
attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合图神经网络的多模态微视频推荐算法
- 2
-
-
作者
王子文
游进国
胡荣笙
贾连印
-
机构
昆明理工大学信息工程与自动化学院
-
出处
《小型微型计算机系统》
北大核心
2025年第4期825-832,共8页
-
基金
国家自然科学基金项目(62062046)资助.
-
文摘
现有多模态图神经网络推荐算法在进行多模态融合时,普遍使用图神经网络提取的节点特征进行融合,而未考虑到全局图结构信息和模态信息对融合的影响;并且现有的多模态融合方法大多只考虑模态间的差异,而忽视了模态内部的情况.对此,本文提出一种融合图神经网络的多模态微视频推荐算法(MCCF,Multi-modal Contrast-Conflict Fusion).该算法利用一种感知模态信息的注意力机制,将节点级特征转化为表征不同模态的图级特征;同时,分别使用节点级和图级特征表示,计算模态内“对比性”和模态间“冲突性”,客观评价了不同模态的重要性,实现了多模态融合.在Movielens和Tiktok两个微视频公开数据集上进行的实验表明,本文提出的算法在推荐性能上较基线方法有明显提升.
-
关键词
多模态推荐系统
多模态融合
图卷积神经网络
对比冲突融合
-
Keywords
multimodal recommendation
multimodal fusion
graph convolutional neural network
contrast-conflict fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于跨模态图掩码和特征增强的推荐方法
- 3
-
-
作者
景丽
郑公浩
李晓涵
蔚梦媛
-
机构
河南财经政法大学计算机与信息工程学院
-
出处
《计算机科学与探索》
北大核心
2025年第9期2470-2478,共9页
-
基金
河南省科技攻关项目(242102210086)。
-
文摘
提出了一种基于跨模态图掩码和特征增强的推荐方法,旨在减少传统多模态推荐系统中的数据噪声和解决多模态信息表达不足问题。该方法使用CLIP预训练模型提取语义一致性的文本和视觉特征,根据项目模态特征相似性建立项目-项目图,为项目表示提供语义丰富的上下文信息;设计跨模态图掩码重建方法,该方法充分利用模态间特征信息,减少数据噪声并增强特征,之后使用图卷积网络学习用户和项目交互信息;在最终预测时,使用用户偏好分数更准确地捕捉用户对目标项目的偏好,通过不同方面的偏好分数加权计算,更为有效地完成推荐任务。使用多任务联合学习框架进行模型训练,同时兼顾了多模态信息和交互信息,有效提升了多模态推荐的准确性。在Women Clothing、Men Clothing、Beauty、Toys&Games四个公共数据集上的实验结果表明,所提出的方法在召回率(Recall)和归一化折损累计增益(NDCG)指标上均优于现有的基准算法,在Recall@20指标上,比最先进的基线提升8.04%,在NDCG@20指标上,比最先进的基线提升7.31%。
-
关键词
图表示学习
多模态推荐系统
图神经网络
自监督学习
-
Keywords
graph representation learning
multimodal recommendation system
graph neural networks
self-supervised learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
