量子位
·
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。
🎯
关键要点
-
港大和腾讯的研究人员提出了新的多模态推荐系统范式DiffMM。
-
DiffMM通过图扩散和对比学习技术提高推荐准确性。
-
DiffMM在三个公共数据集上的性能优于竞争基线模型。
-
DiffMM的框架包含多模态图扩散模型、多模态图聚合和跨模态对比增强三个部分。
-
多模态图扩散模块生成包含模态信息的用户-物品交互图，增强用户偏好的建模。
-
DiffMM使用模态感知去噪扩散概率模型来统一用户-物品协同信号与多模态信息。
-
DiffMM通过对比学习利用不同模态下用户-物品交互模式的一致性，增强模型性能。
-
实验结果表明DiffMM在推荐性能上具有最优表现，并有效缓解数据稀疏问题。
-
DiffMM的训练包括推荐任务和多模态图扩散模型的联合训练。
-
相关论文已公开，代码已开源。
❓
延伸问答
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。
➡️
