融合扩散模型的多模态图对比学习推荐OA

针对多模态数据中固有噪声干扰、数据稀疏性以及跨模态语义表示差异导致的用户兴趣偏好建模不准确的问题,提出了一种融合扩散机制的图对比学习推荐方法(diffusion-enhanced exploration for multimodal graph contrastive recommendation,DEMGR)。借助扩散模型生成结构增强的对比视图,有效抑制自监督学习中各个模态噪声的干扰;构建融合用户与物品的同构图结构,增强图的连通性,缓解稀疏性对图表示学习的影响;设计一个联合优化框架,融合多任务学习与扩散增强机制,协同优化推荐目标与增强信号,学习具有语义一致性与泛化能力的多模态表示。在Baby、Sports和Clothing共3个真实数据集上的实证研究表明,DEMGR在Recall和NDCG(normalized discounted cumulative gain)等指标上均显著优于现有主流模型,最大提升分别达5.45%和5.01%,充分验证了该方法在多模态推荐中的有效性。本文分析结果可为多模态推荐系统优化提供参考。