D-DPDG: Diffusion-based dual-graph attention with dual-path feature extraction for multimodal recommendation

Dieser Artikel befasst sich mit der Entwicklung einer diffusionsbasierten Dual-Graph-Aufmerksamkeitsmethode mit Dual-path feature extraction (D-DPDG) für multimodale Empfehlungssysteme. Der Schwerpunkt liegt auf der Verbesserung personalisierter Empfehlungen durch die Modellierung dynamischer Interaktionen zwischen Benutzern und Gegenständen und der effektiven Integration multimodaler Merkmale. Zu den Schlüsselthemen gehören die Herausforderungen traditioneller Empfehlungssysteme, die Rolle von Diffusionsmodellen bei der Erfassung von Beziehungen höherer Ordnung und die Umsetzung der Dual-Graph-Aufmerksamkeit für die semantische und strukturelle Graphenverarbeitung. Der Artikel diskutiert auch das Design einer umfassenden kontrastiven Korrelationsverlustfunktion (C3Loss), um die Ausrichtung der Darstellung zu optimieren. Experimentelle Ergebnisse zu vier Benchmark-Datensätzen - TikTok, Amazon-Baby, Amazon-Sports und Amazon-Clothing - zeigen signifikante Verbesserungen in Bezug auf Recall, Präzision und NDCG-Kennzahlen im Vergleich zu Basismodellen. Ablationsstudien bestätigen die Effektivität der DP- und GD-Module und heben ihre synergistischen Effekte hervor. Der Artikel schließt mit einer Analyse der Effizienz und Skalierbarkeit des Modells, der Beseitigung rechnerischer Engpässe und Vorschlägen für zukünftige Optimierungsrichtungen.