Behavior-Guided Candidate Calibration for Multimodal Recommendation
行为引导的候选校准用于多模态推荐
🧭 多模态推荐 · 行为引导候选校准 ★ 深度解读
University of the Chinese Academy of Sciences
提出BRIDGE框架，用频谱解耦保持表征多样性，并以行为证据仅在候选集内校准排序残差，避免全局校正破坏推荐特异性。
📌 工作参考价值（4 点）
- 频率解耦表征设计：将多模态嵌入做SVD分解，低频作为共享结构，高频保留判别信息，可迁移到生成式推荐中的语义ID编码或特征分离，避免强对齐损害排序特异性。
- 行为证据局部校准：利用训练集共现行为构建行为图，生成带符号的归一化行为证据，仅对排序短列表中的候选物品施加残差校正，可部署于两阶段推荐系统的精排模块，作为低成本后处理组件。
- 候选感知训练策略：训练时同样使用基于停止梯度的top-K候选集范围掩码，确保残差分支在训练与推理时作用域一致，避免离线训练与在线评估的分布差异，可以直接复用到现有排序模型。
- 行为图构建与归一化技巧：仅用训练交互构建行为图（物品共现度），并采用z-score归一化得到可正可负的校准信号，既保留共现支持又允许局部降权，适用于存在流行度偏差的电商场景。