Beyond Modality Harmony: Orthogonal Purification and Topology-Guided MoE for Conflict-Aware Multimodal Recommendation

📄 arXiv: 2609.02152v1 📥 PDF

作者: Jialin Liu, Zhaorui Zhang, Ray C. C. Cheung

分类: cs.IR, cs.AI

发布日期: 2026-09-02

备注: Accepted to ACM Multimedia 2026 (ACM MM 2026)

💡 一句话要点

提出OrthoRec以解决多模态推荐中的冲突问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态推荐 正交净化 拓扑感知 专家混合 协作引导 模态噪声 表示学习

📋 核心要点

  1. 现有的多模态推荐系统假设模态特征是有益的，但在实际应用中，模态-拓扑冲突普遍存在，导致表示失真。
  2. 论文提出的OrthoRec通过正交净化和拓扑引导的专家混合，解决了模态噪声和语义不匹配的问题，提升了推荐效果。
  3. 在三个真实的亚马逊数据集上，OrthoRec的性能显著优于现有基线，展示了其在模态噪声和项目稀疏性下的鲁棒性。

📝 摘要（中文）

多模态推荐系统（MRSs）通常依赖于一个有缺陷的“模态和谐”假设，认为多模态特征本质上是有益的，并与用户的协作交互模式严格对齐。然而，由于误导性的视觉点击诱饵和语义不匹配，模态-拓扑冲突在现实场景中普遍存在。盲目整合这些噪声模态不可避免地污染了原始的协作空间，导致严重的表示失真。为了解决这个问题，我们提出了冲突感知多模态推荐的正交净化和拓扑引导的专家混合（OrthoRec）。OrthoRec的核心是协作引导的正交净化（CGOP），它将多模态特征几何上解耦为与纯协作锚点平行和正交的方向。通过自适应截断正交噪声，CGOP修正了误导性的语义方向，同时保留了模态的内在表示能力。此外，我们设计了拓扑感知路由混合专家（TAR-MoE），它通过解耦的sigmoid门控，打破了传统softmax注意力的零和瓶颈，自动确定每个净化模态的注入规模。最后，引入了安全的SSL目标，动态惩罚矛盾对的强制对比对齐。实验表明，OrthoRec在三个真实的亚马逊数据集上始终优于竞争性基线，并在模态噪声和项目稀疏性下表现出更好的鲁棒性。

🔬 方法详解

问题定义：本论文旨在解决多模态推荐系统中模态-拓扑冲突所导致的表示失真问题。现有方法通常假设模态特征是有益的，但在现实中，这种假设往往不成立，导致推荐效果下降。

核心思路：论文提出的OrthoRec通过引入协作引导的正交净化（CGOP）和拓扑感知路由混合专家（TAR-MoE），有效地解耦模态特征，去除噪声，同时保持模态的内在表示能力。

技术框架：OrthoRec的整体架构包括两个主要模块：CGOP用于净化模态特征，TAR-MoE用于根据协作拓扑动态调整模态的注入规模。

关键创新：最重要的创新在于CGOP的设计，它通过几何解耦的方式处理模态特征，避免了传统方法中模态之间的相互干扰。此外，TAR-MoE的sigmoid门控机制打破了传统softmax的限制，提升了模型的灵活性。

关键设计：在CGOP中，采用能量保持的归一化方法自适应截断正交噪声；在TAR-MoE中，使用解耦的sigmoid门控来动态调整模态的注入规模。同时，引入安全的SSL目标以惩罚矛盾对的强制对比对齐。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，OrthoRec在三个真实的亚马逊数据集上表现出色， consistently outperforming 竞争性基线，提升幅度达到XX%。尤其在模态噪声和项目稀疏性条件下，OrthoRec展现了更强的鲁棒性，验证了其有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括电子商务、社交媒体和内容推荐等多模态推荐场景。通过提高推荐系统的鲁棒性和准确性，OrthoRec能够为用户提供更个性化的推荐体验，进而提升用户满意度和平台的商业价值。未来，该方法还可以扩展到其他领域，如智能助手和个性化广告等。

📄 摘要（原文）

Multimodal Recommender Systems (MRSs) typically rely on a flawed "modality harmony" assumption, presuming that multimodal features are inherently beneficial and strictly aligned with users' collaborative interaction patterns. However, modality-topology conflicts are ubiquitous in real-world scenarios due to deceptive visual clickbaits and mismatched semantics. Blindly integrating these noisy modalities inevitably pollutes the pristine collaborative space, causing severe representation distortion. To address this, we propose Orthogonal purification and topology-guided MoE for conflict-aware multimodal Recommendation (OrthoRec). At its core, OrthoRec introduces Collaborative-Guided Orthogonal Purification (CGOP), which geometrically decouples multimodal features into directions parallel and orthogonal to a pure collaborative anchor. By adaptively truncating the orthogonal noise with an energy-preserving normalization, CGOP rectifies deceptive semantic directions while preserving the modality's intrinsic representation capacity. Furthermore, we design a Topology-Aware Routing Mixture-of-Experts (TAR-MoE). Guided by the collaborative topology, TAR-MoE employs decoupled sigmoid gating to break the zero-sum bottleneck of traditional softmax attention, autonomously determining the injection scale for each purified modality. Finally, a safe-SSL objective is introduced to dynamically penalize the forced contrastive alignment of contradictory pairs. Experiments on three real-world Amazon datasets show that OrthoRec consistently outperforms competitive recent baselines and exhibits improved robustness under modality noise and item sparsity.