一种基于兴趣感知物品嵌入的模型无关推荐框架

物品表示在推荐系统中具有重要意义，其涵盖新闻、零售和视频等领域。检索与排序模型利用物品表示基于用户行为来捕捉用户-物品关系。现有表示学习方法主要聚焦于优化基于物品的机制，如注意力与序列建模。然而，这些方法缺乏在所学物品表示中直接反映用户兴趣的建模机制。因此，这些方法在间接捕捉用户兴趣时效果可能较差。为应对这一挑战，我们提出一种新颖的兴趣感知胶囊网络（IaCN）推荐模型，这是一个直接学习面向兴趣的物品表示的模型无关框架。IaCN 作为一个辅助任务，使得基于物品与基于兴趣的表示能够联合学习。该框架采用现有推荐模型而无需大幅重新设计。我们在基准数据集上评估所提方法，探索涉及不同深度神经网络、行为序列长度以及面向兴趣的物品表示联合学习比率的多种场景。实验结果证明了在不同推荐模型上的显著性能提升，验证了我们的方法的有效性。