1. 问题与动机
REVEAL 针对多模态序列推荐(Multimodal Sequential Recommendation, MSR)里一个被长期忽视的现象：视觉模态严重欠利用。作者用一组诊断性实验给出量化证据——在推理阶段移除视觉输入，模型性能只有边际下降；而移除文本输入则大幅掉点。在 Amazon Beauty 上，纯视觉(vision-only)模型显著落后于纯文本(text-only)模型，且"多模态相比单模态的增益，在视觉侧明显小于文本侧"。也就是说，图片明明喂进去了，却几乎没参与决策。
作者把根因拆成两条：(1) 视觉表征学习不足——在通用图文数据上预训练的视觉编码器/VLM 只关注视觉上最显眼的区域，抓不到与用户偏好相关的细粒度属性(例如颜色、材质、款式细节);(2) 训练期模态失衡——文本模态更容易被 MSR 模型利用、会主导训练过程，挤压视觉信号的学习。这两点合起来导致"视觉看得见、用不上"。这正是社区图文/短视频推荐里封面、配图特征长期跑不过标题文本的典型病灶。
2. 方法详解
REVEAL 由两个互补模块组成，且都只在训练期生效。
Feedback-Guided Visual Extraction (FVE)：核心是用推荐任务的反馈去迭代精修喂给冻结 VLM 的 prompt，而不更新 VLM 参数。三阶段循环(重复 Xmax 次)：① 视觉编码 e^v_X = VLM(p^v, Prompt_X)，p^v 为物品视觉内容、Prompt_X 为当前 prompt；② 推荐 Result_X = f_MSR(e^v_X, e^id, e^t)，把视觉嵌入连同 ID、文本嵌入送入 MSR 主干；③ prompt 分析与精修——让 VLM 充当 critic：Critic_X ← VLM(Prompt_X, EvalInstr, G, Result_X)，再据此精修 Prompt_(X+1) = VLM(Critic_X, Prompt_X, p^v)。初始 prompt 模板按实例构造，包含物品标题、类别、以及该物品评论里 top-5 高频关键词(如 "An item image of <category>. Item name: <title>. Users often mention: <keywords>. Focus on...")，不持久化用户级存储、每次交互动态拼。
Adaptive Visual Learning (AVL)：在反向传播时动态重加权视觉梯度以缓解模态失衡。每次迭代先算单模态损失：把文本置零得到 vision-only 损失 L^v、把视觉置零得到 text-only 损失 L^t，损失越小说明该模态贡献越强。瞬时差 Δ^v_x = L^v_x − L^t_x，映射成缩放 r^v_x = exp(Δ^v_x)，并维护累计均值 r̄^v_x = exp(L̄^v_x − L̄^t_x)。校准因子 K^v_x = exp(α·(r^v_x − r̄^v_x))：当视觉表现比历史均值更差时 K>1、放大视觉梯度，否则 K<1、抑制。最终对视觉参数梯度施加 ∂L/∂θ^v ← K^v_x·∂L/∂θ^v，参数更新 θ^v_{x+1} = θ^v_x − η·K^v_x·∂L/∂θ^v_x。两个超参：校准强度 α、精修轮数 Xmax。训练采用交替优化(把主干训到收敛→分析/精修 prompt→再训)，prompt 精修用贪心解码加固定随机种子保证可复现。硬件为 8×4090。
3. 核心技术贡献
(1) 诊断性贡献：系统性地揭示并量化了 MSR 中视觉欠利用的两条根因(偏好相关特征抽取不足 + 训练期模态失衡)，并在 Amazon Beauty 上用模态消融给出可复现证据，把"多模态推荐到底用没用上图片"变成可测量的问题。
(2) FVE：把"冻结 VLM 特征拿来即用"改成"用下游推荐反馈反向指导 VLM 该看什么"。关键在于用推荐结果驱动 prompt 迭代，使视觉表征与用户偏好对齐，且不动 VLM 参数、存储开销可忽略。
(3) AVL：用基于单模态损失差的指数型梯度校准，把被文本淹没的视觉梯度按需放大，机制上对任何"一个信号主导"的多信号模型都通用。
(4) 即插即用：不改原推荐目标即可接入多种 MSR 主干，兼容 BCE/BPR 等不同损失。
4. 实验结果分析
数据集：Amazon Home(66,519 用户/28,237 物品/551,682 交互/密度 0.03%)、Beauty(22,363/12,101/198,502/0.06%)、Sports(35,598/18,358/296,337/0.04%)、Yelp(287,116/148,523/4,392,169/0.01%)。基线覆盖 SASRec、BERT4Rec、LightGCN、STOSA、VBPR、UniSRec、MMSR、MMSBR、MISSRec、M3SRec、HM4SR。
整体效果(RQ1)：MISSRec+REVEAL 在 Home 上 Recall@10 0.0227→0.0239(+5.29%)、NDCG@10 0.0148→0.0167(+12.84%)、NDCG@20 +10.65%;M3SRec+REVEAL 在 Beauty 上 Recall@10 0.0712→0.0739(+3.79%)、NDCG@10 +4.10%;HM4SR+REVEAL 在 Sports 上 Recall@10 0.0515→0.0548(+6.41%)、NDCG@10 +8.30%;在 Yelp 上 Recall@10 0.0374→0.0393(+5.08%)。一个一致规律是：增益在 NDCG 这类排序指标上比 Recall 更明显(Home NDCG@10 +12.84% vs Recall@10 +5.29%)，说明视觉信号修好之后主要改善的是排序质量而非召回覆盖。
消融(RQ2，Home/M3SRec)：Base Recall@10 0.0237、NDCG@10 0.0148;w/FVE 0.0245/0.0156(+3.4%/+5.4%);w/AVL 0.0241/0.0152(+1.7%/+2.7%);w/REVEAL(全量) 0.0251/0.0160(+5.9%/+8.1%)。FVE 单独增益普遍略大于 AVL，两者叠加可加性增益。纯视觉设定(Beauty/M3SRec)：V-only Recall@20 0.0925/NDCG@10 0.0373，+FVE 0.0953/0.0384，+AVL 0.0962/0.0388，+REVEAL 0.0989/0.0403(Recall@20 +6.9%)——在去掉文本干扰的纯视觉场景里两模块增益更突出，反向印证了"视觉本可贡献更多"的判断。
超参(RQ5)：精修轮数 Xmax 在 2–3 轮最优，4–5 轮收益见顶;校准强度 α 甜区在 0.1–0.2，过大反而递减。VLM 规模(RQ4)：Qwen2.5-VL 从 3B→7B→32B 仅有温和提升(Home 32B Recall@20 0.0359 vs 7B 0.0355)，说明瓶颈不在 VLM 容量，而在"是否对齐偏好"——这恰好支撑了 FVE 用 prompt 对齐而非堆大模型的思路。
5. 局限与未来方向
作者未单列局限，但可辨识以下几点：(1) FVE 需要多轮 VLM 推理，带来训练期开销，论文未给出完整的训练耗时对比;(2) 方法依赖生成式 VLM(如 Qwen2.5-VL)，纯 embedding 编码器用不了;(3) 初始 prompt 模板(元数据+评论关键词)靠人工设计，对模板质量的敏感性未系统研究;(4) 在 Yelp 等域增益偏小(~5%)，提示视觉在某些应用里本就不关键;(5) AVL 的指数型梯度缩放(对应原文式 10)是经验启发式，缺乏理论保证。未来方向自然指向自动化 prompt 初始化、给 AVL 补理论分析、以及把方法推广到视频等更重的视觉模态。
6. 工业实践意义
对搜索/推荐工程团队，REVEAL 有几条可直接落地的启示：(1) 先做模态消融体检——推理时分别屏蔽图片/文本看掉点幅度，判断自家多模态推荐是否真用上了视觉，这个诊断成本极低且常常打脸;(2) 不要把冻结 CLIP/VLM 特征拿来即用，FVE 提供了"用推荐反馈调 VLM 看什么"的范式，适配社区图文帖里封面/配图承载偏好信号、却被标题文本压制的场景;(3) AVL 的梯度重加权是一种通用解药，凡是多信号模型里某一路(文本压制图像、或 ID 特征压制内容特征导致冷启动差)被淹没，都可借鉴按单模态损失差动态放大弱势信号梯度;(4) 部署友好——REVEAL 只在训练期生效，推理走标准 MSR 流水、零额外延迟与显存开销，对延迟敏感的在线排序很有吸引力;(5) 成本侧需权衡：训练期要做多轮 VLM 推理且依赖生成式 VLM，离线训练资源(论文用 8×4090)与 prompt 模板设计是主要投入。综合看，对"已有多模态推荐但图片不出活"的团队，这是一套低风险、可增量接入、收益集中在排序指标(NDCG 双位数)的改造方案。