基于协同过滤路径的多模态图检索增强序列推荐

arXiv 上的一篇论文提出 MGRASRec，一个面向序列推荐的多模态图检索增强框架。它针对现有方法只用目标用户自身交互历史、忽略邻居协同信号，以及需对长历史反复调用 MLLM 导致算力开销大的问题，从用户—物品交互图检索结构化路径，并通过多模态相似度扩展覆盖范围，将协同过滤信号注入 MLLM 提示，同时以单次前向推理完成候选打分。三个公开数据集评测显示，该方法在所有指标上取得最优，排序质量提升尤为明显。

此前序列推荐要么只用目标用户自身历史、丢掉邻居用户的协同信号，要么靠反复调用 MLLM 处理长历史、算力成本高。该工作把协同信号注入与单次推理合并到同一框架，在保持效果的同时改变了推理成本结构，为后续推荐系统与多模态大模型结合提供了新的权衡路径。

机制分三步：先从用户—物品交互图检索与候选物品直接相关的结构化路径，并用多模态相似度扩展路径，弥补精确共现交互覆盖不足；再将这些协同过滤路径作为提示的一部分注入 MLLM；最后把检索到的与候选最相关的历史物品一并放入提示，省去循环摘要，使每个候选只需一次前向推理。所有组件统一为增强提示，用于参数高效微调。

对推荐产品与研发而言，该方案把多模态大模型的推理次数从随历史长度增长降为每个候选一次，有助于控制线上推理成本；同时把协同过滤信号产品化地注入提示，可在不重训大模型的前提下提升排序质量，可能影响召回—排序链路设计和提示模板的工程化方式。

• 在推荐排序链路中试点以候选物品为条件的图路径检索，替代或补充纯用户历史摘要的提示构造。
• 将多模态相似度扩展用于冷启动或交互稀疏场景，扩大协同信号覆盖以改善长尾物品排序。
• 把单次前向推理约束作为线上成本预算指标，评估现有 MLLM 推荐方案的推理开销是否可降。
• 优先在电商、内容等已有用户—物品交互图且具多模态物品特征的业务中复现论文评测。

• 论文所述三个公开数据集具体是哪三个，各自规模与领域是否覆盖真实生产分布。
• 单次前向推理的延迟与显存开销在真实线上流量下的表现是否可接受。
• MGRASRec 相对基线在排序质量之外，对多样性、新颖性等指标的影响未被呈现。
• 用户—物品交互图与多模态相似度的增量更新成本及工程实现细节尚未在证据中说明。