原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
JournalofComputerApplicationsISSN1001⁃90812025⁃02⁃10
计算机应用,2025,45(2):421-427CODENJYIIDUhttp://www.joca.cn
文章编号：1001-9081（2025）02-0421-07DOI:10.11772/j.issn.1001-9081.2024010145
语义图增强的多模态推荐算法
蔡启健，谭伟*
（东莞理工学院计算机科学与技术学院，广东东莞523808）
（∗通信作者电子邮箱tanwphmr163.com）
摘要：为了挖掘多模态信息潜在的同构语义关系，并学习更好的项目表示，提出一种语义图增强多模态推荐
（SGEMR）算法。首先，利用辅助的多模态信息补充历史的用户-项目交互，捕捉用户在不同模态下的偏好；然后，基
于度量学习将松散的项目序列重新构建为紧密的项目-项目语义图，并设计一个语义层级注意力机制，融合项目的多
模态信息；同时，提出一个图重构损失函数，使项目表示保留更多的语义关系，从而提高推荐性能。实验结果表明，在
3个真实的数据集上与最优基线算法FREEDOM（FREEzestheitem-itemgraphandDenOisestheuser-iteminteraction
graphsimultaneouslyforMultimodalrecommendation）相比，所提算法的Recall10分别提升了6.70%、11.30%、5.09%，
NDCG10分别提升了9.09%、12.73%、7.62%，并通过多个消融实验，验证了所提算法的有效性。
关键词：推荐算法；图神经网络；多模态融合；注意力机制；图结构学习
中图分类号：TP391文献标志码：A
Semanticgraphenhancedmulti-modalrecommendationalgorithm
CAIQijian，TANWei*
（SchoolofComputerScienceandTechnology，DongguanUniversityofTechnology，DongguanGuangdong523808，China）
Abstract:Inordertominethelatentisomorphicsemanticrelationshipswithinmulti-modalinformationandlearnbetter
itemrepresentations，aSemanticGraphEnhancedMulti-modalRecommendation（SGEMR）algorithmwasproposed.
Specifically，auxiliarymulti-modalinformationwasutilizedtocomplementhistoricaluser-iteminteractions，therebycapturing
userpreferencesindifferentmodalities.Subsequently，basedon
文档评论（0）