动态去冗余与基于模态引导的特征去噪技术在多模态推荐中的应用

针对多模态推荐中图神经网络（GNNs）的特征冗余和噪声问题，提出MGNM模型。该模型通过局部交互的动态去冗余损失函数抑制多模态与行为特征叠加导致的冗余，并采用全局交互的模态引导特征去噪机制过滤无关噪声，提升信息表征能力。实验证明其多模态去噪和冗余消除效果优于现有方法。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

图神经网络（GNN）由于其在提取高阶邻居关系方面的先进能力，在多模态推荐任务中变得至关重要。然而，增加GNN中的传播层数量可能会导致特征冗余，从而降低最终的推荐性能。此外，现有的推荐任务方法直接将预处理后的多模态特征映射到低维空间，这会引入与用户偏好无关的噪声，从而影响模型的表示能力。为了解决上述问题，我们提出了具有动态去冗余和模态引导特征去噪功能的多模态图神经网络推荐系统（MGNM），该系统分为局部和全局交互两部分。首先，在局部交互过程中，我们引入了一个动态去冗余（DDR）损失函数，通过使用特征系数矩阵与特征矩阵的乘积作为惩罚因子来实现这一功能。这减少了由于多层GNN堆叠导致的多模态和行为特征之间的冗余效应。随后，在全局交互过程中，我们为每种模态开发了模态引导的全局特征净化器，以减轻模态噪声的影响。这种双重引导机制能够消除与用户偏好无关的模态特征，并捕捉模态内部的复杂关系。实验结果表明，与现有最先进方法相比，MGNM在多模态信息去噪和冗余信息去除方面表现出更优的性能。

人工智能摘要

人工智能生成的摘要（实验结果）

该摘要是使用自动化工具生成的，并非由文章作者撰写或审核。提供该摘要的目的是为了帮助读者发现研究价值、评估内容相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。