【AAAI2025】基于全局变换器的模态无关图神经网络在多模态推荐中的应用

多模态推荐系统可以通过现有的用户-物品交互以及与物品相关的多模态数据的语义，来学习用户的偏好。许多现有方法通过多模态用户-物品图来建模这一过程，将多模态推荐视为图学习任务。图神经网络（GNNs）在这一领域展现了良好的性能。先前的研究利用了GNNs在特定感受野（通常由跳数K表示）内捕获邻域信息的能力，以丰富用户和物品的语义。我们观察到，GNNs的最佳感受野在不同模态之间可能有所不同。本文提出了具有模态无关感受野的GNNs，这些GNNs为不同模态采用独立的感受野，以提升性能。我们的结果表明，某些数据集上，某些模态的最佳K值可以低至1或2，这可能会限制GNNs捕获全局信息的能力。为了解决这个问题，我们引入了基于采样的全局变换器（Sampling-based Global Transformer），通过均匀全局采样来有效地将全局信息整合进GNNs。我们进行的全面实验表明，我们的方法优于现有方法。我们的代码已经公开。