Graphes de connaissances multi-modaux pour les systèmes de recommandation

Les systèmes de recommandation ont montré un grand potentiel pour résoudre le problème de l'explosion d'informations et améliorer l'expérience utilisateur dans diverses applications en ligne. Pour s'attaquer à la rareté des données et aux problèmes de démarrage à froid dans les systèmes de recommandation, les chercheurs proposent des recommandations basées sur des graphes de connaissances (KG) en exploitant des connaissances externes précieuses comme informations auxiliaires. Cependant, la plupart de ces travaux ignorent la variété des types de données (par exemple, textes et images) dans les graphes de connaissances multi-modaux (MMKG). Dans cet article, nous proposons le Réseau d'Attention des Graphes de Connaissances Multi-modaux (MKGAT) pour mieux améliorer les systèmes de recommandation en exploitant des connaissances multi-modales. Plus précisément, nous proposons une technique d'attention sur les graphes multi-modaux pour réaliser la propagation de l'information sur les MMKG, puis utilisons la représentation d'embedding agrégée résultante pour la recommandation. À notre connaissance, c'est le premier travail qui incorpore un graphe de connaissances multi-modal dans les systèmes de recommandation. Nous menons de vastes expériences sur deux ensembles de données réels issus de différents domaines, dont les résultats démontrent que notre modèle MKGAT peut utiliser avec succès les MMKG pour améliorer la qualité du système de recommandation.