- 博客(11)
- 收藏
- 关注
RSS订阅原创 山大项目实训: 多模态推荐系统新纪元：从内容理解到用户体验革新
未来，当你打开一个APP，看到它不仅能推荐出你喜欢的衣服，还能准确地在图文、视频中解释”为什么推给你”，那背后，很可能就是这些多模态推荐技术在默默发力。等内容特征，能在缺少交互数据时，靠内容本身推断出用户可能喜欢的东西，大大提升了推荐系统的覆盖面和个性化能力。今天这篇博客，就带大家一起走进多模态推荐系统的前沿研究，看一看它们如何重新定义个性化推荐体验。近年来，随着大模型时代的到来，推荐系统也迎来了一波全新的浪潮。👉 适合追求高准确率、高可扩展性的场景，比如大型内容平台、短视频推荐。
2025-04-26 12:41:05
954
原创 山东大学项目实训: 部署多模态推荐系统：AlignRec框架的实践指南
AlignRec为多模态推荐系统提供了一个全新的解决方案，通过合理的对齐策略，显著提高了推荐系统在复杂环境下的性能和稳定性。通过在预训练阶段对内容进行对齐、微调阶段优化ID和内容特征的关系，并使用轻量级的图神经网络进行特征聚合，AlignRec能够处理传统多模态推荐系统中的对齐问题，为生产环境中的实际应用提供了一个有效的框架。多模态推荐通过引入额外的模态数据，如图像和文本，解决了这一问题，这些数据提供了丰富的内容信息，能够在ID特征稀缺时帮助做出更好的预测。通过比较不同的融合方法来评估融合模块的性能。
2025-04-26 12:38:47
602
原创 山大项目实训--多模态推荐系统 2024-2025 相关文献调研
本文的核心贡献在于提出了一种新的自监督学习方法（DISENTANGLEDSSL），通过信息论框架有效地分离多模态数据中的共享信息和模态特定信息，特别是在MNI不可达到的情况下。本文不仅提供了理论保证，还通过大量实验验证了该方法在多种多模态任务中的优越性。
2025-04-15 19:46:46
680
原创 山大软院22级项目实训--目前主流的多模态推荐系统(2)
在线平台通过推荐系统为用户提供个性化内容,而商品侧的各个模态通过不同形式的交互形成用户对商品的真实偏好,多模态推荐系统尝试用这种丰富的内容信息进行用户偏好建模,随着深度学习的发展,多模态图神经网络已经成为多模态推荐系统的主流方法,主要使用多模态融合或对齐方法学习用户的内容偏好,并通过图神经网络进行协同过滤去除无关信息。下面是对相关文献的精读,以便为项目搭建优质的个性化推荐系统,部分文献附上了代码Debug的记录。
2025-04-15 19:43:42
732
原创 山大软院22级项目实训--基于LLM的多模态推荐系统
同时,通过调研了解到,目前大厂的评估推荐系统质量的方式主要是以下两种,但困囿于项目实训的资源限制,我们不可能像大厂那样进行线上AB测试,所以我们主要采用离线评估的方案,后续的模型调研方向也主要是离线评估。
2025-03-09 19:43:39
799
原创 ICLR_2024:GraphACL 邻域信号预测应对异质性
图对比学习在图结构数据的表征学习上取得了卓越的表现，但多数现有的GCL方法依赖于精心构造的图增广和同质性假设。GraphACL给出一种方法，设计一个predictor，让中心节点去预测邻居节点的信号，这样既可保证encoder学到拓扑结构信息，又不会让两者长得太像。2.还是为了防止邻居节点长太像，中心节点通过online encoder生成，要预测的邻域节点用target encoder生成，为了保证训练效率，target encoder的参数使用online encoder的指数平滑。
2024-03-30 22:51:04
487
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人