目录
[2.1 性能评估](#2.1 性能评估)
[2.2 增强型MLRM的显著性分数分析](#2.2 增强型MLRM的显著性分数分析)
[2.3 超参数分析](#2.3 超参数分析)
[2.4 效率分析](#2.4 效率分析)
[2.5 在线服务与实验](#2.5 在线服务与实验)
上一篇论文：推荐大模型系列-NoteLLM-2: Multimodal Large Representation Models for Recommendation（一）
一、方法论
研究表明，未经预训练端到端训练的多模态大语言模型（MLRMs）效果欠佳，主要原因是大型语言模型（LLM）处理视觉信息后未充分利用其价值。因此，需设计更聚焦视觉信号的机制。
提出新型训练框架 NoteLLM-2，包含两种不同视角的改进方法：
- 基于提示的改进（mICL）：通过调整提示模板，改变模型对视觉信息的注意力分布。
- 基于架构的改进：结合延迟融合与视觉提示，推迟视觉信息融合时机，增强视觉信息流对最终表征的影响。改进框架如图2(b)所示。
具体实现上，给定笔记 ( n_i )，mICL 不再将多模态信息压缩为单一词汇，而是拆分为单模态笔记，并采用类似上下文学习（ICL）的方式聚合多模态信息。笔记压缩提示模板重构如下：
模板说明
在模板中，<IMG_EMB>是一个特殊标记。通过大语言模型（LLMs）处理多模态嵌入后，选择相关的隐藏状态来表示笔记内容。
视觉笔记表示
采用<IMG_EMB>标记前一个隐藏状态作为视觉笔记表示，记为𝒏𝑖𝑣。由于因果注意力机制，𝒏𝑖𝑣仅包含笔记图像信息。
多模态笔记表示
将最后一个隐藏状态作为多模态笔记表示，记为𝒏𝑚𝑖，该表示融合了视觉和文本信息。此方法将原始单一嵌入分解为两个模态的笔记嵌入。多模态笔记表示𝒏𝑚𝑖通过类似ICL（In-Context Learning）的方式聚合有用的视觉信息。
后期融合
采用原始视觉嵌入增强笔记嵌入。此举避免了因大语言模型空间特性导致的文本偏差，同时保留了更多原始视觉信息。具体步骤如下：
- 通过视觉编码器𝑉𝜃提取图像特征，例如CLIP ViT-B中的[CLS]标记，该特征包含完整图像信息。
- 使用线性层将这些特征转换至大语言模型的维度，记为𝒗 ∈ ℝℎ𝑡。
- 采用门控机制将原始视觉信息融合到笔记嵌入中。
关键点
- 视觉与文本分离：通过𝒏𝑖𝑣和𝒏𝑚𝑖实现模态解耦。
- 特征增强：后期融合通过门控机制平衡视觉与文本信息。
- 维度对齐：线性层确保视觉特征与LLMs的隐藏层维度匹配。
其中， 表示融合后的视觉笔记嵌入。[·,·] 表示拼接操作，𝑾 和 𝒃 是可学习参数。⊙ 表示逐元素乘积。类似地，通过相同的门控操作可以得到融合后的多模态笔记嵌入
。
随后，采用融合后的笔记嵌入进行对比学习，如下所示：
L𝑣 (𝜋, 𝜇) 表示视觉笔记嵌入的损失。类似地，可以得出 L𝑚 (𝜋, 𝜇)，即多模态笔记嵌入的损失。最终损失的计算方式如下：
最终损失函数表示为 L𝑓 (𝜋, 𝜇)，其中 𝛼 是一个超参数。在评估阶段，使用包含多模态信息的音符嵌入 作为输入。
二、实验
2.1 性能评估
基于三种多模态语言检索模型（ML-RM），通过以下基线实验验证NoteLLM-2的有效性：
- 基础方法：ML-RM的朴素表示方法。
- mICL：在基础方法上增加mICL机制。
- 晚融合：将晚融合机制集成至基础方法。
- NoteLLM-2：同时结合mICL与晚融合。
- 仅晚融合：仅通过晚融合整合图像与文本信息，不向大语言模型（LLM）输入图像嵌入。
- Omni-Retrieval[58]：采用跨模态对比学习对齐多种嵌入（仅图像、仅文本、多模态）。
实验结果如表4所示。NoteLLM-2显著提升了视觉编码器较小的模型（MTomato-Base和MQwen-Base）的整体性能，同时对MQwen-bigG的短文本配对任务表现亦有提升。
mICL对所有模型均有增强效果，而晚融合对小视觉编码器模型更有效。当视觉编码器较强时（如MQwen-bigG+晚融合），晚融合通过侧重图像信息提升短文本配对性能，但过度依赖图像可能损害文本理解能力，导致整体性能下降并削弱mICL的提示词效果。未来将设计更均衡的晚融合机制。
仅晚融合虽简单高效，但在视觉编码器较强时可能因与LLM交互不足导致性能损失。Omni-Retrieval对视觉信息的增强效果弱于NoteLLM-2，因其未考虑LLM的独特机制，且其他跨模态损失可能干扰多模态嵌入对齐。
MQwen-bigG+NoteLLM-2表现不及Qwen-VL-Chat（尤其在短文本配对任务），主因是两者视觉标记长度差异（MQwen-bigG为16，Qwen-VL-Chat为256）。
2.2 增强型MLRM的显著性分数分析
为深入理解NoteLLM-2对多模态语言表示模型（MLRM）的影响，对比了原始微调方法与增强微调方法的显著性分数差异。原始方法的显著性分数为𝑆𝑣（视觉）、𝑆𝑡（文本）和ˆ 𝑆𝑜（其他模态），而增强方法的分数为𝑆^𝑣、𝑆ˆ𝑡和𝑆ˆ𝑜。其中，视觉笔记压缩词被纳入视觉嵌入𝐸𝑣的一部分。
实验结果与发现
图4显示，所有增强型MLRM的表示均放大了对图像的直接关注（𝑆𝑣），同时降低了浅层中对𝑆𝑜的依赖。文本模态的显著性分数（𝑆𝑡）基本保持不变。𝑆𝑣与𝑆𝑜的平衡表明，引入图像带来的信息流增益不仅凸显了相关多模态嵌入，还能通过最终压缩嵌入直接聚合。这一特性有助于最终嵌入捕获图像中与文本完全不同的关键模式。
机制解释
该结果归因于mICL采用统一的压缩提示（compressed prompt）处理多模态输入。通过识别图像中的相似压缩模式，mICL能像ICL[48]一样，强化多模态表示对图像的聚焦能力。
2.3 超参数分析
本节使用MTomato-Base+NoteLLM-2进行超参数分析实验。
视觉标记长度的影响
通过调整视觉标记长度探究其影响，结果如表5所示。将长度从16降至8会导致性能下降，但推理效率更高。视觉标记长度在性能与推理速度之间存在权衡。此外，表2数据显示，**即使仅使用8个视觉标记，MTomato-Base+NoteLLM-2的性能仍优于使用16个视觉标记的MTomato-Base。**这表明本方法通过改进注意力模式与融合机制增强了视觉注意力，而非单纯扩展图像标记空间。
文本与视觉损失比例的影响
调整文本与视觉损失比例𝛼的结果如表6所示。当比例较小时，性能略差；但随着比例增加，本方法对文本与视觉损失比例的变化表现出较强的鲁棒性。
2.4 效率分析
在表7中对比了不同大语言模型的参数量、训练成本和推理速度。当前最先进的多模态大模型（如Qwen-VL-Chat）专为多模态理解与问答设计，其适配训练成本高且推理速度慢，难以适应快速推荐的场景。而面向表征任务设计的MLRMs在训练和推理上均更高效。
由于NoteLLM-2采用了更长的提示模板，其集成通常会轻微降低训练和推理速度，但能带来更好的性能表现。
在线服务与实验
图5展示了在线服务流程，分为离线与在线两个阶段。离线阶段中，经NoteLLM-2训练的多模态关系模型（MLRM）会实时生成用户新发布笔记的多模态嵌入向量，这些向量存入嵌入表以供复用。同时，基于物品相似度的近似最近邻（I2I ANN）索引会动态更新新笔记的嵌入向量。
在线阶段，系统根据用户交互历史笔记从现有嵌入表中选取历史嵌入向量，通过多次ANN搜索在I2I索引中检索相关笔记。召回的前k个相关笔记会推送至下一推荐阶段。目前该模型已替代原有I2I召回流程，成为平台核心召回通道之一。
平台通过分配10%流量进行为期一周的A/B测试。在线基线方法采用相同LLM进行I2I训练（基于NoteLLM[61]的训练方式），而经NoteLLM-2训练的MLRM将首千次曝光点击量提升6.35%，笔记发布后24小时内互动量提升8.08%。此外，发布24小时内获得首次互动且曝光达100次的笔记数量增长9.83%。
2.5 在线服务与实验
图5展示了在线服务流程，分为离线与在线两个阶段。离线阶段中，经NoteLLM-2训练的多模态关系模型（MLRM）会实时生成用户新发布笔记的多模态嵌入向量，这些向量存入嵌入表以供复用。同时，基于物品相似度的近似最近邻（I2I ANN）索引会动态更新新笔记的嵌入向量。
在线阶段，系统根据用户交互历史笔记从现有嵌入表中选取历史嵌入向量，通过多次ANN搜索在I2I索引中检索相关笔记。召回的前k个相关笔记会推送至下一推荐阶段。目前该模型已替代原有I2I召回流程，成为平台核心召回通道之一。
平台通过分配10%流量进行为期一周的A/B测试。在线基线方法采用相同LLM进行I2I训练（基于NoteLLM[61]的训练方式），而经NoteLLM-2训练的MLRM将首千次曝光点击量提升6.35%，笔记发布后24小时内互动量提升8.08%。此外，发布24小时内获得首次互动且曝光达100次的笔记数量增长9.83%。
三、相关工作
多模态表征
随着预训练技术的发展，大量研究利用网络规模的图文数据预训练模型，以实现对多模态信息的基础理解。现有预训练技术主要分为两类：一类采用生成式预训练目标，如掩码语言/图像建模或图像描述生成；另一类采用对比式预训练目标，如对比学习和图文匹配任务。这些模型在下游任务中展现出强大的零样本能力，但其文本理解能力（尤其在大型语言模型时代）仍显不足。本研究探索利用大型语言模型的强大理解能力来增强多模态表征。
大型语言模型
大型语言模型因其卓越的文本理解与生成能力受到广泛关注，催生了大量基于此类模型的文本应用。为处理多模态信息，大型语言模型被扩展为多模态大语言模型。多数多模态大语言模型通过专用模态编码器捕获非文本信息，将其映射到文本空间后由语言模型处理，从而实现多模态输入下的答案生成。现有研究主要关注语言模型的生成能力，少数探索了其文本表征能力，但尚未涉及基于语言模型的多模态表征。因此，本研究在推荐场景中探索语言模型增强的多模态表征能力。
多模态物品到物品推荐
物品到物品推荐基于物品相似性从海量池中生成排序列表，是推荐系统召回阶段的重要技术。此类推荐通常通过预构建的索引，采用近似k近邻方法检索相关物品。部分研究探索了基于多模态内容的物品到物品推荐，但这些工作采用小规模预训练视觉-语言模型作为主干，存在显著的扩展潜力。本研究尝试在物品到物品推荐中利用大型语言模型强化多模态表征。
四、结论与未来工作
本文探讨了在图像到图像（I2I）推荐场景下，利用大语言模型（LLMs）提升多模态表征任务中的文本理解能力。研究设计了一种端到端微调方法，能够灵活集成现有的大语言模型与视觉编码器，减少对需昂贵多模态预训练的开源多模态大模型（MLLMs）的依赖。
为避免端到端微调中忽视视觉信息的问题，提出了NoteLLM-2框架，包含多模态上下文学习（mICL）和延迟融合策略。大量实验验证了该方法的有效性。未来工作将扩展至更复杂的模态（如视频）以及更广泛的场景与推荐任务。
本篇论文理论和实验部分分享就到这里了，下一篇会继续分享附录，实验详细细节～
下一篇传送门(尽快更新ing)：推荐大模型系列-NoteLLM-2: Multimodal Large Representation Models for Recommendation（三）