通过 Token 交叉学习用于多模态推荐的无 ID 物品表示

基于摘要分析。本文研究多模态推荐中物品专属 ID 嵌入在交互数据稀疏、相关物品信息共享及存储规模方面的局限，提出无 ID 多模态 token 表示方案 MOTOR，以共享 token 构建物品表示并替代原有 ID 嵌入。 机制上，MOTOR 首先通过乘积量化，将物品的图像、文本等多模态特征离散化为 token ID；随后将对应的可学习 token 嵌入作为隐式物品特征，利用 Token Cross Network 捕捉 token 之间的隐式交互模式。这里的“无 ID”指不再依赖物品专属 ID 嵌入，并非完全不使用离散标识。其核心是让相关物品通过共享 token 交换信息，生成可接入原有基于 ID 的多模态推荐模型的表示；作者称这一替换无需额外设计损失。 作者报告，在九种主流模型上的实验表明 MOTOR 能提升推荐性能并降低总体空间需求。摘要未提供具体数据集、交互稀疏度、划分方式、评价指标、提升幅度及存储测量条件，因此无法判断不同场景下的收益大小；量化配置、Token Cross Network 结构、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是以共享离散表示代替实体专属嵌入，而不是直接复用推荐任务。若某类 EEG 建模确实依赖被试或通道专属嵌入，可假设共享量化 token 有助于减少参数并促进信息共享；但需改造 EEG 特征编码、量化方式及任务输出，推荐中的用户—物品交互监督不能直接照搬。低信噪比、跨被试分布差异和小数据可能使码本不稳定，或使量化丢失关键时序信息。一个可证伪的小实验是在固定的跨被试协议下，仅用训练被试拟合码本，对比专属嵌入、共享量化 token 及加入 Token Cross Network 的版本，同时记录任务指标与存储开销。已有 EEG 相关工作尚未检索确认。