一种用于有效冷启动推荐的社会感知高斯预训练模型
信息检索
2023-11-28 v1 人工智能
摘要
预训练的使用是一种新兴技术,用于提升神经模型的性能,已被证明对许多神经语言模型(如 BERT)有效。该技术也被用于提升推荐系统的性能。在此类推荐系统中,预训练模型用于学习用户和物品的更好初始化。然而,近期已有的预训练推荐系统往往仅在预训练阶段纳入用户交互数据,使得难以给出好的推荐,尤其在交互数据稀疏时。为缓解这一常见的数据稀疏问题,我们提出不仅用交互数据,还用其他可用信息(如用户间的社会关系)来预训练推荐模型,从而相比仅依赖用户交互数据为推荐系统提供更好的初始化。我们提出一种新颖的推荐模型——社会感知高斯预训练模型(SGP),其在图神经网络(GNN)的预训练阶段编码用户社会关系与交互数据。随后,在微调阶段,我们的 SGP 模型采用高斯混合模型(GMM)对这些预训练嵌入进行分解以进一步训练,从而使冷启动用户从这些预建的社会关系中获益。我们在三个公开数据集上的大量实验表明,与 16 个竞争性基线相比,我们的 SGP 模型在 NDCG@10 上最高显著优于最佳基线 7.7%。此外,我们表明 SGP 能有效缓解冷启动问题,尤其是当用户通过朋友推荐新注册到系统时。
引用
@article{arxiv.2311.15790,
title = {A Social-aware Gaussian Pre-trained Model for Effective Cold-start Recommendation},
author = {Siwei Liu and Xi Wang and Craig Macdonald and Iadh Ounis},
journal= {arXiv preprint arXiv:2311.15790},
year = {2023}
}
备注
20 pages