近日，The 40th Annual AAAI Conference on Artificial Intelligence（AAAI 2026）录用论文结果揭晓，实验室博士生李昌鸿的论文“SGP4SR: Separated-Modality Guided User Preference Learning for Multimodal Sequential Recommendation”被录用。

多模态技术的持续发展为解决推荐系统固有的稀疏性问题提供了新的方案。然而，现有的多模态工作往往直接使用初始模态特征进行表征学习，而忽视了多模态数据本身存在的噪声。论文分析了现有多模态信息影响推荐任务建模的两大噪声：（1）模态内部的无关因素噪声；（2）模态之间的匹配噪声。

针对上述问题，论文提出了一个分离模态指导用户偏好学习的多模态序列推荐。对于动机中的模态内部噪声，方法设计了一个共现指导模态关系图构建模块（CGC）与一个聚类兴趣感知模块（CIP）。其中，CGC利用协同信息来指导模态关系图在构建的过程中筛选出低相关度节点，CIP利用全局聚类信息来使得用户兴趣更靠近主体兴趣而远离无关噪声。对于动机中的模态之间噪声，方法整体的分离架构保证了不同模态独立的参与到预测与损失计算过程中，避免了单一模态表征之间在表征学习互相干扰，同时也避免了早融合导致的多模态融合噪声过早积累。在Amazon平台的4个数据集性能测试实验中，方法相较于最优基线的平均提升可达8.84%。

  AAAI是人工智能领域中历史最悠久、涵盖内容最广泛的国际顶级学术会议之一（CCF A类会议）。