面向生成式多模态推荐的个性化视觉表示对齐

基于摘要分析。本文研究生成式多模态推荐中视觉表示难以捕获个性化偏好、且视觉信息在 VLM 后续 LLM 层中贡献不足的问题，提出 PerVRA，通过个性化视觉表示学习与视觉—文本对齐两个模块增强用户交互历史中的视觉信息利用。 作者指出，CLIP 等视觉编码器主要面向通用视觉感知，其直接提取的特征不一定能表达用户特定偏好；现有 VLM 推荐方法还可能偏重文本描述，未充分利用用户交互物品的视觉特征。PerVRA 包含 Personalized Visual Representation Learning（PVRL）和 Personalized Multimodal Alignment（PMA）两个模块，分别配置对比学习目标：PVRL 从用户交互历史中学习个性化视觉特征，PMA 显式对齐视觉与文本特征，以增强视觉信息对 VLM 推荐的贡献。摘要未披露正负样本构造、损失具体形式、对齐位置及训练参数范围。 作者报告，在真实世界 Amazon 与 H&M Fashion 数据集上的多种个性化任务中，PerVRA 持续优于较强的 VLM 推荐方法，并称消融实验支持同时处理上述两个问题的重要性。摘要未提供具体任务、数据划分、基线版本、评价指标或数值，实验协议、消融及统计信息尚未验证，因而目前无法核对性能增益及其适用边界。 本研究的主要对象是依赖用户—物品交互历史及图文内容的推荐系统，而非神经信号解码。摘要未建立用户偏好个性化与 EEG 跨被试差异之间的机制对应，不能将其直接视为 BCI 个性化方法；已有 EEG 相关工作尚未检索确认。复现前需取得全文，核对交互数据组织、对比学习采样方式、视觉与文本输入配置及训练和评估流程。