MDVT: Verbesserung der multimodalen Empfehlung mit modellunabhängigen multimodal gesteuerten virtuellen Triplets

Das Problem der Datensparsität behindert die Leistung von Empfehlungssystemen erheblich, da traditionelle Modelle auf begrenzten historischen Interaktionen basieren, um Benutzerpräferenzen und Artikelmerkmale zu erlernen. Während die Einbeziehung multimodaler Informationen diese Präferenzen und Merkmale explizit darstellen kann, nutzen bestehende Arbeiten sie häufig nur als Nebeninformation, was dazu führt, dass ihr Potenzial nicht voll ausgeschöpft wird. In diesem Papier schlagen wir MDVT vor, einen modellunabhängigen Ansatz, der multimodal gesteuerte virtuelle Triplets konstruiert, um wertvolle Überwachungssignale bereitzustellen, und so das Problem der Datensparsität in multimodalen Empfehlungssystemen effektiv mitigiert. Um qualitativ hochwertige virtuelle Triplets sicherzustellen, führen wir drei maßgeschneiderte Aufwärm-Schwellenstrategien ein: statische, dynamische und hybride. Die statische Aufwärm-Schwellenstrategie sucht erschöpfend nach der optimalen Anzahl von Aufwärmepochen, ist jedoch zeitaufwendig und rechenintensiv. Die dynamische Aufwärm-Schwellenstrategie passt die Aufwärmperiode basierend auf Verlusttrends an, verbessert die Effizienz, könnte jedoch die optimale Leistung verpassen. Die hybride Strategie kombiniert beide, indem sie die dynamische Strategie verwendet, um die annähernd optimale Anzahl von Aufwärmepochen zu finden, und sie dann mit der statischen Strategie in einem engen Hyperparameterraum verfeinert. Sobald die Aufwärmschwelle erfüllt ist, werden die virtuellen Triplets für die gemeinsame Modelloptimierung durch unsere verbesserte paarweise Verlustfunktion verwendet, ohne signifikante Gradientenverzerrungen zu verursachen. Umfassende Experimente mit mehreren realen Datensätzen zeigen, dass die Integration von MDVT in fortgeschrittene multimodale Empfehlungsmodelle das Problem der Datensparsität effektiv lindert und die Empfehlungsleistung insbesondere in sparsamen Datenszenarien verbessert.