यह शोधपत्र MMSC का प्रस्ताव करता है, जो एक नवीन स्व-पर्यवेक्षित अधिगम-आधारित बहुविध संबंधपरक वस्तु निरूपण अधिगम ढाँचा है जिसे वैकल्पिक और पूरक वस्तुओं का अनुमान लगाने के लिए डिज़ाइन किया गया है। मौजूदा दृष्टिकोण GNN का उपयोग करके या वस्तु सामग्री जानकारी का लाभ उठाकर उपयोगकर्ता व्यवहार से अनुमानित अंतर-वस्तु संबंधों के मॉडलिंग पर केंद्रित हैं, लेकिन शोरयुक्त उपयोगकर्ता व्यवहार डेटा और दीर्घ-पुच्छीय वितरणों के कारण डेटा की कमी की चुनौतियों को अनदेखा करते हैं। MMSC में एक बहुविध वस्तु निरूपण अधिगम मॉड्यूल शामिल है जो एक बहुविध आधार मॉडल का उपयोग करता है, एक स्व-पर्यवेक्षित अधिगम-आधारित क्रिया निरूपण अधिगम मॉड्यूल जो शोर को कम करता है और उपयोगकर्ता व्यवहार डेटा से सीखता है, और एक पदानुक्रमित निरूपण एकत्रीकरण तंत्र जो अर्थ और कार्य दोनों स्तरों पर वस्तु निरूपणों को एकीकृत करता है। इसके अलावा, प्रशिक्षण के दौरान शोर को कम करने की प्रक्रिया को और बेहतर बनाने के लिए संवर्धित अधिगम डेटा उत्पन्न करने हेतु LLM का उपयोग किया जाता है। पांच वास्तविक-विश्व डेटासेटों पर किए गए व्यापक प्रयोगों से पता चलता है कि एमएमएससी वैकल्पिक अनुशंसा में मौजूदा बेसलाइन मॉडलों से 26.1% बेहतर प्रदर्शन करता है और पूरक अनुशंसा में 39.2% बेहतर प्रदर्शन करता है, जो कोल्ड-स्टार्ट आइटम मॉडलिंग में इसकी प्रभावशीलता को दर्शाता है।
