MLLMRec论文总结与关键部分翻译一、论文主要内容总结本文聚焦多模态推荐系统（MMRS）现存的两大核心问题，提出了一种由多模态大型语言模型（MLLM）驱动的推荐框架MLLMRec，具体内容如下：1. 研究背景与现存问题研究背景：多模态推荐系统通过融合用户行为数据与物品的多模态特征（文本、图像等）缓解数据稀疏问题、捕捉用户偏好，但现有方法仍有不足。现存问题：用户多模态表示初始化缺陷：要么未考虑用户历史行为中的偏好信号（如随机初始化），加剧冷启动问题；要么未过滤预训练模型中的无关特征，导致噪声混入（如用户的偏见偏好），且无法捕捉用户决策过程中的交互动机。物品-物品图（KNN-based）质量低：存在低相似度的“假阳性边”（如Baby数据集上约12%边的相似度低于0.5），且忽略用户-物品交互中隐含的“受众共现关系”，导致“假阴性边”（如篮球与护膝这类特征空间距离远但受众高度重合的物品未连接），干扰图卷积过程，引发物品表示语义偏移。2. MLLMRec框架核心设计用户偏好推理策略：利用MLLM将物品图像转换为高质量语义描述，与物品文本元数据融合，得到 MLLMRec: Exploring the Potential of Multimodal Large Language Models in Recommender Systems
MLLMRec论文总结与关键部分翻译一、论文主要内容总结本文聚焦多模态推荐系统（MMRS）现存的两大核心问题，提出了一种由多模态大型语言模型（MLLM）驱动的推荐框架MLLMRec，具体内容如下：1. 研究背景与现存问题研究背景：多模态推荐系统通过融合用户行为数据与物品的多模态特征（文本、图像等）缓解数据稀疏问题、捕捉用户偏好，但现有方法仍有不足。现存问题：用户多模态表示初始化缺陷：要么未考虑用户历史行为中的偏好信号（如随机初始化），加剧冷启动问题；要么未过滤预训练模型中的无关特征，导致噪声混入（如用户的偏见偏好），且无法捕捉用户决策过程中的交互动机。物品-物品图（KNN-based）质量低：存在低相似度的“假阳性边”（如Baby数据集上约12%边的相似度低于0.5），且忽略用户-物品交互中隐含的“受众共现关系”，导致“假阴性边”（如篮球与护膝这类特征空间距离远但受众高度重合的物品未连接），干扰图卷积过程，引发物品表示语义偏移。2. MLLMRec框架核心设计用户偏好推理策略：利用MLLM将物品图像转换为高质量语义描述，与物品文本元数据融合，得到 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
