Dealing with Missing Modalities in Multimodal Recommendation: a Feature Propagation-based Approach

多模式推荐系统通过从产品的图像、文本描述或音频轨道中提取的多模式特征来增强目录中产品的表示。然而，在实际应用中，只有一小部分产品带有多模式内容，可以从中提取有意义的特征，这使得提供准确的推荐变得困难。据我们所知，目前很少有人关注多模式推荐中缺失模态的问题。为此，我们的论文是对这个问题进行形式化和解决的初步尝试。受图形表示学习的最新进展的启发，我们提出将缺失模态的问题重新定义为缺失图形节点特征的问题，最终应用最先进的特征传播算法来解决。在技术上，我们首先基于共同互动将用户-项目图形投射到项目-项目图形中。然后，利用共同互动项目之间的多模式相似性，我们应用修改版的特征传播技术来填补缺失的多模式特征。作为最近两个多模式推荐系统的预处理阶段，我们的简单方法在三个流行数据集上表现比其他较浅的解决方案更好。

本论文试图解决缺失模态在多模态推荐系统中的问题，提出了一种基于图嵌入的方法来填补缺失的特征。

本论文提出了一种将缺失模态问题转化为缺失图节点特征的解决方案，通过修改特征传播算法来填补缺失的多模态特征，应用于两个最近的多模态推荐系统中，效果优于其他浅层方法。

本论文的亮点在于将缺失模态问题转化为缺失图节点特征的问题，提出了一种基于图嵌入的方法来填补缺失的特征。实验结果表明，该方法在三个流行数据集上表现优异。论文提供了开源代码。

最近的相关研究包括基于图嵌入的推荐系统和多模态推荐系统。其中，基于图嵌入的推荐系统包括《Graph Convolutional Matrix Completion》和《Session-based Recommendation with Graph Neural Networks》；多模态推荐系统包括《A Survey on Multimodal Recommender Systems》和《Deep Multimodal Learning: A Survey on Recent Advances and Trends》。