面向多模态推荐的多兴趣解耦表征学习

基于摘要分析。本文研究多模态推荐中如何利用用户的多种个性化兴趣，并减少模态噪声的干扰，提出 Multi-interest Disentangled Representation Learning（MIDR）。主要贡献是结合多兴趣优化目标、模态共享与模态特异兴趣的解耦表征，以及自监督兴趣对比模块。 机制方面，作者首先引入摘要所称的“expected maximum”，描述兴趣与预测目标之间的关系并建立多兴趣推荐优化目标；其具体数学定义尚未验证，不能据此认定采用了某种特定优化算法。随后，MIDR 通过解耦表征学习提取模态共享和模态特异的兴趣表示，并用多兴趣对比模块辅助自监督表征学习。摘要未提供编码器结构、共享与特异成分的约束方式、对比样本构造或损失公式。 作者报告，在三个真实世界数据集上，MIDR 优于所比较的先进模型，并通过消融实验验证了解耦兴趣表征模块和兴趣对比模块的有效性。摘要未给出数据集名称、划分协议、基线名称、评价指标或数值，因此无法核对优势幅度及比较条件；实验协议、消融及统计信息尚未验证。代码与复现配置亦尚未验证。 平台推测（待验证）：可迁移的假设是，共享与特异表征分离可能帮助 EEG 多模态建模区分跨模态共同信息与各模态独有信息，但原论文的用户兴趣和推荐目标并不等同于神经状态或 BCI 任务标签。迁移需要明确的配对或同步多模态数据，并核对原方法依赖的交互监督与样本规模；可考虑复用解耦和对比学习思路，但编码器、训练目标及正负样本构造需要改造。EEG 低信噪比、被试差异、通道变化和小数据可能使特异表征吸收伪迹，或使共享约束抹去有效信号。一个可证伪的小实验是在固定的跨被试 EEG 多模态任务上，对比普通融合、加入解耦、加入对比模块及完整组合，在相同数据划分和训练预算下检验任务表现与噪声扰动鲁棒性。相关 EEG 工作尚未检索确认，此建议不构成已验证的 BCI 效果。