面向去噪与用户偏好建模的多模态推荐模型

马文煜,夏鸿斌,王晓锋

Multi-modal recommendation model for denoising and user preference modeling

Wenyu MA,Hongbin XIA,Xiaofeng WANG

表 2 各方法在4个数据集上的性能对比

Tab.2 Performance comparison of different methods on four datasets

数据集 Baby Sports Clothing MicroLens R@10 R@20 N@10 N@20 R@10 R@20 N@10 N@20 R@10 R@20 N@10 N@20 R@10 R@20 N@10 N@20 BPR 0.0357 0.0575 0.0192 0.0249 0.0432 0.0653 0.0241 0.0298 0.0187 0.0279 0.0103 0.0126 0.0624 0.0959 0.0322 0.0408 LightGCN 0.0479 0.0754 0.0257 0.0328 0.0569 0.0864 0.0313 0.0387 0.0340 0.0526 0.0188 0.0236 0.0720 0.1075 0.0376 0.0467 VBPR 0.0423 0.0663 0.0223 0.0284 0.0558 0.0856 0.0307 0.0384 0.0423 0.0663 0.0223 0.0284 0.0677 0.1026 0.0351 0.0441 MMGCN 0.0378 0.0615 0.0200 0.0261 0.0370 0.0605 0.0193 0.0254 0.0378 0.0615 0.0200 0.0261 0.0421 0.0701 0.0207 0.0279 BM3 0.0564 0.0883 0.0301 0.0383 0.0656 0.0980 0.0355 0.0438 0.0422 0.0621 0.0231 0.0281 0.0606 0.0981 0.0304 0.0400 MGCN 0.0620 0.0964 0.0339 0.0427 0.0729 0.1106 0.0397 0.0496 0.0641 0.0945 0.0347 0.0428 0.0756 0.1134 0.0387 0.0484 DiffMM 0.0625 0.0975 0.0323 0.0411 0.0681 0.1017 0.0370 0.0458 0.0523 0.0777 0.0276 0.0344 0.0730 0.1141 0.0368 0.0472 LGMRec 0.0644 0.1002 0.0349 0.0440 0.0720 0.1068 0.0390 0.0480 0.0555 0.0828 0.0302 0.0371 0.0748 0.1132 0.0390 0.0489 DA-MRS 0.0650 0.0994 0.0346 0.0435 0.0751 0.1125 0.0402 0.0498 0.0647 0.0963 0.0353 0.0433 0.0758 0.1166 0.0388 0.0492 TMLP 0.0671 0.1016 0.0360 0.0449 0.0769 0.1152 0.0416 0.0515 0.0651 0.0963 0.0348 0.0431 0.0770 0.1179 0.0394 0.0498 DPRec 0.0681 0.1061 0.0366 0.0468 0.0789 0.1164 0.0433 0.0531 0.0693 0.1011 0.0371 0.0452 0.0816 0.1223 0.0420 0.0523