SIGIR 2026 亮点：无需训练的用户表征初始化方法 SG-URInit 助力多模态推荐系统

香港大学团队提出SG-URInit，一种无需训练且模型无关的用户表征初始化方法，通过融合用户交互物品的模态特征与聚类全局特征，有效缩小用户与物品表征间的语义鸿沟，显著提升多模态推荐性能并加速模型收敛。该方法已被SIGIR 2026接收。

多模态推荐整合文本、图像等模态信息缓解数据稀疏性，但用户表征常随机初始化，而物品有丰富模态特征，导致用户与物品表征间存在语义鸿沟，限制推荐性能。

SG-URInit通过两步构建用户初始表征：1.按交互行为聚类用户；2.融合用户交互物品的模态特征与所属聚类的全局特征，使初始表征捕获局部（物品级）和全局（聚类级）语义信息。

SG-URInit无需额外训练过程，直接生成高质量初始表征；可无缝集成到多种多模态推荐模型（如MMGCN、LGMRec等），通用性强。

在Baby、Sports、Clothing、TikTok等数据集验证，集成SG-URInit后推荐性能显著提升；还能缓解物品冷启动问题，增强新物品推荐能力，并加速模型收敛，减少训练迭代次数。

核心为注意力机制融合物品级与聚类级特征；计算复杂度低，聚类（如K-Means）和融合开销可忽略；已开源PyTorch实现（Python3.9+PyTorch2.1.0），含数据集预处理脚本和训练代码。

SG-URInit揭示用户表征初始化的重要性，为多模态推荐提供新思路；未来可探索更精细聚类策略、扩展到序列/会话推荐场景、结合大语言模型提升表征质量。