Cognitive-Inspired Hierarchical Attention Fusion With Visual and Textual for Cross-Domain Sequential Recommendation
Rattachement africain : gb, cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Cross-Domain Sequential Recommendation (CDSR) predicts user behavior by leveraging historical interactions across multiple domains, focusing on modeling cross-domain preferences through intra- and inter-sequence item relationships. Inspired by human cognitive processes, we propose Hierarchical Attention Fusion of Visual and Textual Representations (HAF-VT), a novel approach integrating visual and textual data to enhance cognitive modeling. Using the frozen CLIP model, we generate image and text embeddings, enriching item representations with multimodal data. A hierarchical attention mechanism jointly learns single-domain and cross-domain preferences, mimicking human information integration. Evaluated on four e-commerce datasets, HAF-VT outperforms existing methods in capturing cross-domain user interests, bridging cognitive principles with computational models and highlighting the role of multimodal data in sequential decision-making.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
Où se fait cette recherche
-
Microsoft Research (United Kingdom) pays non établi dans la noticeEntreprise
-
University of Liverpool pays non établi dans la noticeUniversité ou école supérieure
-
Xi’an Jiaotong-Liverpool University pays non établi dans la noticeUniversité ou école supérieure
-
Xian Jiaotong-Liverpool University pays non établi dans la noticeUniversité ou école supérieure
Microsoft Research (United Kingdom), University of Liverpool et Xi’an Jiaotong-Liverpool University, avec 1 autre affiliation.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.