One Graph, Multiple Gains: Single High-Quality Item-Item Graph for Multimodal Recommendation
一图多益：构建单一高质量item-item图用于多模态推荐
🧭 多模态推荐 · item-item图复用
The University of Hong Kong · The Hong Kong Polytechnic University · The Hong Kong University of Science and Technology
预处理构建高质量item-item图，在表征增强、交互图增强和优化增强三阶段复用以全面提升推荐性能
📌 工作参考价值
- 图构建方法可迁移：融合语义和共现信号，并通过三元闭合的NCER重加权边，能显著降噪。直接用于电商商品相似图构建，提升GNN召回或排序特征的质量，尤其适合多模态商品库。
- 残差门控机制RIG：自适应控制每个物品从近邻吸收多少信息，避免噪声平滑。可嵌入任何Graph SAE或注意力层，作为表征增强的插件，缓解过度平滑。
- 交互图增强解决冷启动：通过高置信度语义邻居创建虚拟user-item边，间接扩展交互图，对冷启动物品和长尾商品有明显增益。实现轻量，只需在线查表，适合大规模推荐系统。
- 优化增强INA：将正样本的top邻居作为折扣软正样本加入BPR，类似难例挖掘但更稳定。可直接应用于排序训练的目标函数，提升模型对相似商品的区分度，降低假阳性。
动机：现有多模态推荐虽用item-item图，但图构建噪声多且仅用于单一的信息传播，未充分挖掘其潜力。
方法：提出IIMRec，在预处理阶段构建单一高质量item-item图，融合语义相似与共现信号，并通过Neighborhood Consistency Edge Reweighting (NCER) 基于三元闭合原理强化结构可靠边、抑制虚假边。该图在三个环节系统复用：
- 表征增强：Item-item传播加入残差II门(RIG)，自适应控制各物品对语义邻域信息的吸收程度，防止噪声引入。
- 交互图增强：内容引导的UI图扩展，利用高置信度语义邻居为冷启动物品创建虚拟user-item边，丰富交互信号。
- 优化增强：II邻居BPR增强(INA)，把正样本物品的top邻居作为折扣软正样本，改进排序损失。
理论分析：NCER降低谱噪信比，RIG收敛到非退化门控态，INA得到更紧泛化界。实验在四个数据集上一致超越SOTA，速度更快、GPU占用更少，在冷启动和稀疏交互场景下优势尤为突出。