MM 2025论文 《Multimodal Quantitative Language for Generative Recommendation》 提出了一种新的生成式推荐方法 MQL4GRec其核心思想是将不同领域和不同模态如文本和图像的商品信息转换为一种统一的“量化语言Quantitative Language”从而作为桥梁实现推荐知识在不同模态和不同领域之间的迁移与共享。具体来说作者首先利用 RQ-VAEResidual Quantized Variational Autoencoder 将商品的多模态内容表示如文本描述和图像特征离散化为一系列语义 token使连续的多模态表示能够被统一编码为类似语言的离散序列。在此基础上模型设计了多种基于量化语言的生成任务包括 下一物品生成、跨模态生成以及模态对齐任务以增强模型对用户行为模式和多模态语义之间关系的理解。通过结合大规模预训练与下游推荐任务微调模型能够有效地将多模态与多领域的知识迁移到推荐任务中。实验在多个 Amazon 数据集 上进行了验证结果表明该方法在 NDCG 等推荐指标 上显著优于现有方法说明统一的量化语言不仅能够更好地融合多模态信息还能提升生成式推荐模型的表达能力与推荐性能。论文 《The Best is Yet to Come: Graph Convolution in the Testing Phase for Multimodal Recommendation》 研究了图卷积网络GCN在多模态推荐系统中的使用方式并对传统方法在训练阶段引入GCN的有效性提出了新的思考。作者指出在训练阶段使用GCN通常会带来两个主要问题一是邻居信息传播可能会引入大量无效甚至有害的正负样本对从而干扰模型的优化过程二是邻居聚合会使不同模态如文本和图像的表示在传播过程中被过度混合或隔离削弱多模态信息之间的互补性进而影响推荐性能。针对这些问题论文提出了 FastMMRec 框架该方法在训练阶段不使用GCN而是通过构建 多模态 item-item 图增强机制 来学习更加稳定和高效的表示从而减少图卷积带来的训练噪声而在 测试阶段 再引入GCN进行邻居信息聚合以充分利用图结构信息来增强物品表示。通过这种“训练阶段避免GCN、测试阶段利用GCN”的策略模型既保留了图结构带来的表示增强能力又避免了训练阶段可能产生的负面影响。实验在多个 Amazon 数据集 上进行验证结果表明该方法在 推荐准确率、训练效率以及模型可扩展性 等方面均优于现有的多模态推荐模型体现了该框架在实际推荐场景中的有效性和应用潜力。A.I.R.团队(Artificial Intelligence Recommendation Lab)多年来聚焦于多模态数据及算法研究针对城市发展中问题搭建用户与信息间高效桥梁提供个性化智能决策服务。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】