多模态图检索-通过协作过滤路径增强顺序推荐

多模态大型语言模型（MLLM）通过其对复杂多模态数据进行推理的能力，展示了顺序推荐的强大潜力。然而，现有的方法要么仅仅依赖于目标用户自己的交互历史，忽略来自相邻用户的协作信号，要么通过在长交互历史上重复 MLLM 推理而产生大量的计算开销。为了应对这些挑战，我们提出了 MGRASRec，一种用于顺序推荐的多模态图检索增强框架。 MGRASRec 通过从用户-项目交互图中检索结构化路径，将以候选项目为条件的协同过滤信号直接注入 MLLM 提示中，并通过多模态相似性进行扩展，以增加超出精确协同交互重叠的覆盖范围。此检索还无需额外成本即可显示与候选者最相关的历史项，从而消除了重复汇总的需要，并保持对每个候选者的单个前向传递的推断。所有组件都统一为一个增强提示 MLLM 的参数高效微调。对三个公开可用数据集的广泛评估验证了 MGRASRec 的有效性，在所有指标上实现了最佳性能，并且在排名质量方面取得了特别显着的进步。