一种自校正序列推荐模型
信息检索
2023-04-24 v2
摘要
序列推荐旨在从用户历史交互中捕捉偏好以预测其将交互的下一物品。序列推荐方法通常假设用户历史交互中所有物品均反映其偏好及物品间转移模式。然而，真实交互数据并不完善：（i）用户可能误点击物品，即所谓对不相关物品的误点击；（ii）用户可能错过物品，即因推荐不准确而未曝光的相关物品。为解决上述两问题，我们提出STEAM，一种自校正序列推荐模型（Self-correcTing sEquentiAl recoMmender）。STEAM首先通过调整误点击和/或错过的物品来校正输入物品序列，随后使用校正后序列训练推荐模型并预测下一物品。我们设计了一种逐项校正器，可自适应地为序列中每物品选择一类操作，操作类型为“保留”“删除”和“插入”。为在无需额外标注下训练该项校正器，我们设计两种自监督学习机制：（i）删除校正（即删除随机插入的物品）；（ii）插入校正（即预测随机删除的物品）。我们通过共享编码器并联合训练将校正器与推荐器整合。我们在三个真实数据集上进行了充分实验，结果表明STEAM优于最先进序列推荐基线。深入分析证实STEAM受益于学习校正原始物品序列。
引用
@article{arxiv.2303.02297,
title = {A Self-Correcting Sequential Recommender},
author = {Yujie Lin and Chenyang Wang and Zhumin Chen and Zhaochun Ren and Xin Xin and Qiang Yan and Maarten de Rijke and Xiuzhen Cheng and Pengjie Ren},
journal= {arXiv preprint arXiv:2303.02297},
year = {2023}
}