Training-Free Graph Filtering via Multimodal Feature Refinement for Extremely Fast Multimodal Recommendation
作者: Yu-Seung Roh, Joo-Young Kim, Jin-Duk Park, Won-Yong Shin
发布时间: 2025-03-08
来源: arxiv
研究方向: 多模态推荐系统（Multimodal Recommender Systems）
主要内容
本文提出了一种名为 MultiModal-Graph Filtering (MM-GF) 的训练-free 多模态推荐方法，旨在解决基于 GCN 的多模态推荐系统在处理多模态信息时计算开销大的问题。MM-GF 通过构建多个相似性图和优化融合不同模态的信息，实现了高效且准确的多模态推荐。
主要贡献
1. 设计了一种非直接的模态特征精炼过程，使用矩阵运算有效地计算物品特征嵌入向量，同时不违反图滤波的关键属性。
2. 发现了图滤波在优化融合不同模态信息方面的作用，将其视为不同模态线性低通滤波器（LPF）的加权求和。
3. 在三个广泛使用的多模态推荐系统基准数据集上进行了实验，结果表明 MM-GF 在计算复杂度和模型精度方面优于基于 GCN 的多模态推荐系统。
研究方法
1. 图滤波（Graph Filtering）
2. 模态特征精炼（Modality Feature Refinement）
3. 线性低通滤波器（Linear Low-Pass Filters）
4. 加权求和（Weighted Sum）
实验结果
实验结果表明，MM-GF 在三个基准数据集上比最佳竞争者提高了高达 13.35% 的推荐精度，同时将运行时间缩短到不到 10 秒。此外，MM-GF 在冷启动设置和噪声多模态数据设置下的性能也得到了验证，表现出了鲁棒性。
未来工作
未来研究可以探索设计可扩展的图滤波方法，以处理大规模多模态特征数据。