Adap-$\tau$：面向推荐的嵌入模长自适应调制
信息检索
2023-06-07 v3 人工智能
摘要
近年来，基于嵌入的方法在推荐系统中取得了巨大成功。尽管性能不错，我们认为这些方法存在一个潜在局限——嵌入模长未被显式调制，这可能加剧流行度偏差与训练不稳定性，阻碍模型做出良好推荐。这促使我们利用推荐中的嵌入归一化。通过将用户/物品嵌入归一化至特定值，我们在四个真实世界数据集上经验性地观察到显著的性能提升（平均 9%）。尽管令人鼓舞，我们也揭示了在推荐中应用归一化时的一个严重局限——性能对控制归一化嵌入尺度的温度 的选择高度敏感。为充分发挥归一化优势同时规避其局限，本工作研究了如何自适应地设定恰当的 。为此，我们首先对 进行全面分析以充分理解其在推荐中的作用。随后我们相应开发了针对温度的自适应细粒度策略 Adap-，具备自适应、个性化、高效和模型无关四项理想性质。我们进行了大量实验以验证所提方法的有效性。代码见于 \url{https://github.com/junkangwu/Adap_tau}。
引用
@article{arxiv.2302.04775,
title = {Adap-$\tau$: Adaptively Modulating Embedding Magnitude for Recommendation},
author = {Jiawei Chen and Junkang Wu and Jiancan Wu and Sheng Zhou and Xuezhi Cao and Xiangnan He},
journal= {arXiv preprint arXiv:2302.04775},
year = {2023}
}