ID-Guided Multimodal experts with contrastive diffusion for sequential recommendation

Área de la Ciencia:

• Inteligencia Artificial
• Ciencias de la Computación

Sus antecedentes:

• La recomendación secuencial multimodal aprovecha los datos de texto e imagen para mejorar la modelización de la interacción usuario-artículo.
• Los métodos existentes luchan con las inconsistencias multimodales y el ruido dentro de las características, lo que limita la calidad de la recomendación.

Objetivo del estudio:

• Proponer un marco novedoso, ID-Guided Multimodal Experts with Contrastive Diffusion (IMECD), para abordar las limitaciones en los sistemas de recomendación multimodales actuales.
• Mejorar la calidad de las representaciones multimodales resolviendo inconsistencias semánticas y suprimiendo señales irrelevantes.

Principales métodos:

• Se implementó un módulo de mezcla de expertos multimodales guiado por ID para guiar dinámicamente la extracción de características utilizando las preferencias a largo plazo del usuario.
• Se introdujo un módulo de cuantificación vectorial específico de la modalidad para eliminar el ruido de las características secuenciales.
• Se desarrolló un módulo de generación de difusión contrastiva para mitigar el sesgo de generación utilizando representaciones de secuencias y pérdida contrastiva.

Principales resultados:

• El marco propuesto IMECD demostró un rendimiento superior constante frente a los métodos de referencia más avanzados en cuatro conjuntos de datos de referencia.
• El módulo guiado por ID resolvió eficazmente la inconsistencia semántica multimodal y suprimió las señales irrelevantes.
• La cuantificación vectorial específica de la modalidad eliminó con éxito el ruido de las características secuenciales, mejorando la calidad de la representación.

Conclusiones:

• IMECD ofrece un avance significativo en la recomendación secuencial multimodal al manejar eficazmente las inconsistencias multimodales y el ruido de los datos.
• La capacidad del marco para aprovechar las incrustaciones de ID y las técnicas avanzadas como la difusión contrastiva contribuye a un rendimiento de recomendación superior.