在 CIKM 2024 上，小红书中台算法团队提出了一种创新的联合训练框架 AlignRec，用于对齐多模态表征学习模型和个性化推荐模型。本文指出，由于多模态模型与推荐模型在训练过程中存在步调不一致问题，导致联合训练被推荐信号主导，从而丢失大量多模态信息。AlignRec 通过分阶段对齐的方式，设计了三种针对性的优化损失函数，使得联合训练能够同时兼顾多模态信息和推荐信息。实验结果表明，AlignRec 在多个数据集上的性能超过了现有的 SOTA（state-of-the-art）模型。此外，AlignRec 还提供了在当前广泛使用的公开数据集亚马逊上的预处理特征，这些特征的效果显著优于现有的开源特征。
最近多模态是个非常热门的话题，尤其是在大模型以及 AIGC 领域，多模态基建和技术是走向未来商业化的奠基石。在过去的多模态大模型研究方向上，模态的“对齐”已经被验证非常重要，分布的不一致损害不同模态的理解，我们此次要讨论的核心问题是多模态在推荐中的对齐问题；
在具体介绍论文工作之前，我们先来介绍下我们过去在推荐和电商中的实践工作：
推荐实践
上述方法是我们对 BM3论文进行改进 上线的方案，该方案实际上做的是通过损失函数来实现“对齐”工作。我们的对模型的期望也是保留个性化的同时，能够对齐行为和多模态的空间，进一步增加长尾的个性化分发能力。先说效果：
该模型实验在推荐发现页取得时长、曝光、点击等核心指标收益，除此之外，在长尾分发上，0 粉作者笔记点击和曝光获得大幅增长，整个召回路增加了全局可分发笔记数 6%，分发笔记集中在 1k-5k 的笔记曝光集合；同时，我们的方法也被复用在了电商场景，分发长尾同时，获得 DGMV 等核心指标收益。
很显然，从上述可以看出，“对齐”的效果立竿见影，在业界应用上我们已经取得实质性进展，但本质上这样的设计方案依然并没有完全解决多模态推荐问题，因为我们的多模态模型和推荐模型是相对割裂的，等同于直接拿表征来使用，这样的设计打通了应用范式，却无法判断多模态模型本身能力对效果的上限，对于选择合适多模态表征存在一定的难度。但如果我们引入文本/图等 Encoder（Transformer）等进行联合训练，会引入如下的问题：
在大规模的数据下，分布式训练引入图文 Encoder 会造成资源和性能问题，尤其是注重高时效性的 Streaming Data；
训练步调不一致，往往多模态模型需要大量数据甚至多个 Epoch 才能收敛，但推荐模型通常采取单轮训练，这也导致多模态模型训练不充分；
所以我们设计联合训练模型，通过设计分阶段对齐的方式和中间指标评估，解决上述联合训练问题，并且引入了三种针对性的优化损失函数，使得联合训练能够同时兼顾多模态信息和推荐信息，解决联合训练中的“对齐”问题，提升效果上限。
下面我们从相关工作，核心挑战，模型设计介绍整体工作。
我们在这里通过 (a), (b), (c) 描述了在过往的学术界目前多模态推荐方向的相关工作，总结主要的发展路径：
图(a)，直接利用，比如把 embedding，多模态特征作为信号输入网络；
图(b)，利用图等方式聚合，希望能得到更丰富的多模态信息表达，这本质上也是增加多模态侧信息的召回率；
图(c)，联合优化，把模态损失和行为损失共同优化，但这忽略了本身笔记侧的多模态学习。
在工业界，现阶段推荐系统主要还是依赖于 ID 特征的学习, 大多数多模态推荐把多模态信息作为 sideinfo 去辅助 ID 特征的学习。但是, 多模态之间以及 ID 模型与多模态之间都存在着语义鸿沟, 直接使用甚至可能适得其反。
核心挑战
为了贴合业界实际，设计一款有效的多模态与推荐联合训练模型会遇到如下的挑战：
挑战1: 如何对齐多模态表征。包括内容模态之间（如图文）的对齐，以及内容模态与 ID 模态之间的对齐；
挑战2: 如何平衡好内容模态和 ID 模态之间的学习速度问题。内容模态可能需要超大规模的数据和时间去训练, 而 ID 模态的学习更新可能只需要几个 epoch。
挑战3: 如何评估多模态特征对推荐系统的影响。引入不合适的多模态信息可能需要更多的精力去做纠正, 甚至可能影响推荐系统的性能。
我们所提出的方法命名为 AlignRec，整体框架如下图所示, 主要包含3个模块: Multimodal Encoder Module, Aggregation Module, 以及 Fusion Module, 下面分别进行介绍。
Multimodal Encoder Module