多模态自适应专家混合模型在冷启动推荐中的应用.pdfVIP

多模态自适应专家混合模型在

冷启动推荐中的应用

Van-KhangNguyenDuc-HoangPhamHuy-SonNguyen

VNUUniversityofEngineeringVNUUniversityofEngineeringDelftUniversityofTechnology

andTechnologyandTechnologyDelft,TheNetherlands

Hanoi,VietNamHanoi,VietNamH.S.Nguyen@tudelft.nl

.vn.vn

Cam-VanThiHoang-QuynhLe∗Duc-TrongLe

本NguyenVNUUniversityofEngineeringVNUUniversityofEngineering

译andTechnologyandTechnology

VNUUniversityofEngineering

中Hanoi,VietNamHanoi,VietNam

andTechnology

1lhquynh@.vntrongld@.vn

vHanoi,VietNam

2

4vanntc@.vn

0

8摘要CCSConcepts

0

8.推荐系统在冷启动场景中面临着重大挑战，在这种情•Informationsystems→Recommendersystems.

0况下，需要将具有有限交互历史的新项目有效地推荐

5

2给用户。虽然多模态数据（例如，图像、文本、音频等.）Keywords

:

v提供了丰富的信息来解决这一问题，但现有方法通常冷启动推荐，动态门控，专家混合。

i

x采用简单的集成方式如拼接、平均池化或固定权重方

r

a案，这些方式无法捕捉模态之间的复杂关系。我们的1介绍

研究提出了一种用于多模态冷启动推荐的新型专家混

推荐系统已成为现代数字生态系统中不可或缺的一部

合框架（MoE），命名为MAMEX，该框架动态地利用来

分，使电子商务、流媒体服务和社交媒体中的个性化

自不同模态的潜在表示。MAMEX使用特定于模态的

内容传递成为可能[10,12,16]。然而，这些系统通常

专家网络，并引入了一个可学习的门控机制，根据其

面临冷启动问题[3,5,7,21]，尤其是在项目冷启动场

内容特征自适应地加权每个模态的贡献。这种方法使

景中，必须为几乎没有或没有交互数据的新项目提供

MAMEX能够突出每项商品的最具有信息性的模态，

推荐。在这些情况下，传统的协同过滤方法通常效果

同时在某些模态不相关或缺失时保持鲁棒性。在基准

不佳，因为它们依赖于用户-项目交互历史来提供建

数据集上的广泛实验表明