扩散模型也能推荐短视频！港大腾讯提出新范式DiffMM
原文中文，约4200字，阅读约需10分钟。
📝
内容提要
港大和腾讯的研究人员提出了一种新的多模态推荐系统范式DiffMM，利用图扩散和对比学习技术，提高了推荐准确性。DiffMM在三个公共数据集上的性能优于竞争基线模型。相关论文已公开，代码已开源。
🔎
延伸解读
DiffMM如何解决多模态推荐中的噪声问题
多模态推荐常受无关或噪声模态特征干扰。DiffMM通过模态感知去噪扩散概率模型，在用户-物品交互图上进行前向加噪和逆向去噪，迭代恢复原始交互，从而将模态信息融入图生成，同时减轻噪声负面影响。这种设计使模型能更准确地建模用户偏好，提升推荐鲁棒性。
跨模态对比学习如何缓解数据稀疏
数据稀疏是推荐系统常见挑战。DiffMM利用跨模态对比增强，通过对比不同模态视图（如视觉、文本、音频）下用户-物品交互模式的一致性，生成高质量自监督信号。实验表明，这种方法能有效缓解数据稀疏问题，因为模态感知图扩散提供了比随机增强更可靠的对比视图。
DiffMM的实验表现与开源信息
在三个公共数据集上，DiffMM与多种基线模型（包括传统协同过滤、基于GNN的方法、生成扩散推荐、自监督推荐及SOTA多模态推荐）对比，均达到最优性能。消融实验验证了各模块的有效性。论文和代码已公开，便于研究者复现和进一步探索。
❓
Q&A
DiffMM是什么？
DiffMM是一种新的多模态推荐系统范式，由港大和腾讯的研究人员提出，旨在提高推荐准确性。
DiffMM是如何提高推荐准确性的？
DiffMM通过图扩散和对比学习技术，增强用户与视频之间的关系建模，从而提高推荐准确性。
DiffMM在实验中表现如何？
在三个公共数据集上，DiffMM的性能优于多种竞争基线模型，达到了最优表现。
DiffMM的框架包含哪些部分？
DiffMM的框架包括多模态图扩散模型、多模态图聚合和跨模态对比增强三个部分。
DiffMM如何处理数据稀疏问题？
DiffMM通过跨模态对比学习方式有效缓解数据稀疏问题，利用模态感知用户-物品图获得高质量的自监督信号。
DiffMM的相关论文和代码在哪里可以找到？
DiffMM的相关论文已公开，代码已开源，分别可以在arXiv和GitHub上找到。
🏷️
