【WWW2023教程】多模态推荐系统:解决稀疏性、可比性和可解释性

Web应用通常具有推荐系统，以帮助用户发现感兴趣的项目(例如，产品、内容文章)。本教程侧重于多模态，即使用文本、图像或图等辅助信息来增强偏好数据。特别地，本文涵盖了多模态的几个重要方面。首先是模型如何依赖辅助模态来解决偏好观测的稀疏性，以便更好地连接用户和项目。这些模型通常是沿着模态线设计的，我们将全面介绍。二是如何管理多模态模型的比较和交叉利用。前者涉及对具有相同模式的模型进行简化处理。后者涉及将最初为一种模态设计的模型用于另一种模态。第三是辅助模态如何充当推荐解释，因为接受者可能会发现文本、视觉或图形解释更直观。这是一个实践教程，其中讲座辅以使用Cornac进行的练习，Cornac是多模态推荐系统的比较框架。

目录内容：

多模态推荐系统 Multimodal Recommender Systems Hands-on 1: Cornac framework 文本 图像 图模态 Text, Image, and Graph Modalities Hands-on 2: Multi-modal & Cross-modal 可解释性 Explainability Hands-on 3: Explainability Q & A

Trung-Hoang Le是新加坡管理大学(SMU)计算机科学博士候选人。他的研究重点是推荐解释。他最近关于推荐解释的一些工作已经在顶级会议上发表，包括IJCAI、WSDM和BigData。他获得了IJCAI-20的杰出论文奖。获得SDSC 2020年学位论文研究奖学金。

Quoc-Tuan Truong是亚马逊的应用科学家，从事大规模机器学习的个性化工作。他的研究重点是推荐系统的多模态表示学习和偏好建模。他最近的一些工作已经在顶级会议和期刊上发表，包括AAAI、WWW、ACMMM、WSDM和JMLR。他在大学教学方面经验丰富，曾在RecSys 2021和AI Singapore Summer School 2020上授课。

Aghiles Salah是乐天科技研究所的应用研究科学家。他的研究领域是机器学习和推荐系统。他在一级会议和期刊上(合作)发表了多篇文章，并(超过6年)教授了机器学习、数据分析和相关主题的本科和硕士课程。

Hady W. Lauw是新加坡管理大学计算机和信息系统学院的副教授，也是ACM SIGKDD (KDD.SG)新加坡分会的现任主席。他积极发表关于人工智能和推荐系统的文章，在IJCAI-20获得杰出论文奖，在AAAI-14获得杰出论文提名。他还在主要会议上进行了指导，如RecSys-21, AAAI-19, IJCAI-11和CIKM-10。他有超过10年的大学教学经验(两次获得教学奖提名)，包括一门关于推荐系统的硕士课程。