计算机科学与探索

作者：景丽, 郑公浩, 李晓涵, 蔚梦媛

单位：河南财经政法大学 计算机与信息工程学院，郑州 450046

关键词：图表示学习,多模态推荐系统,图神经网络,自监督学习

基金：河南省科技攻关项目（242102210086）。

提出了一种基于跨模态图掩码和特征增强的推荐方法，旨在减少传统多模态推荐系统中的数据噪声和解决多模态信息表达不足问题。该方法使用CLIP预训练模型提取语义一致性的文本和视觉特征，根据项目模态特征相似性建立项目-项目图，为项目表示提供语义丰富的上下文信息；设计跨模态图掩码重建方法，该方法充分利用模态间特征信息，减少数据噪声并增强特征，之后使用图卷积网络学习用户和项目交互信息；在最终预测时，使用用户偏好分数更准确地捕捉用户对目标项目的偏好，通过不同方面的偏好分数加权计算，更为有效地完成推荐任务。使用多任务联合学习框架进行模型训练，同时兼顾了多模态信息和交互信息，有效提升了多模态推荐的准确性。在Women Clothing、Men Clothing、Beauty、Toys & Games四个公共数据集上的实验结果表明，所提出的方法在召回率（Recall）和归一化折损累计增益（NDCG）指标上均优于现有的基准算法，在Recall@20指标上，比最先进的基线提升8.04%，在NDCG@20指标上，比最先进的基线提升7.31%。

来源：2025年第9期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第9期