面向个性化推荐的隐式反馈三元组重要性自适应学习
信息检索
2022-12-20 v4 机器学习
摘要
隐式反馈因其在实际系统中的普遍性与可获取性，常被用于开发个性化推荐服务。为有效利用此类信息，多数研究在构建的训练三元组（用户、正样本物品、负样本物品）上采用成对排序方法，旨在为每个用户区分正样本物品与负样本物品。然而，此类方法大多平等对待所有训练三元组，忽略了不同正样本或负样本物品之间的细微差异。另一方面，即便有些工作利用用户行为的辅助信息（如停留时间）来捕捉该细微差异，此类辅助信息却难以获取。为缓解上述问题，我们提出一种名为三元组重要性学习（TIL）的新型训练框架，其自适应地学习训练三元组的重要性分数。我们设计了两种重要性分数生成策略，并将整个过程表述为双层优化，无需任何基于规则的设计。我们将所提训练流程与若干基于矩阵分解（MF）和图神经网络（GNN）的推荐模型相集成，证明了我们框架的兼容性。通过使用三个真实世界数据集与众多最先进方法进行比较，表明我们所提方法在top-k推荐的Recall@k指标上比现有最佳模型高出3-21%。
引用
@article{arxiv.2208.01709,
title = {Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation},
author = {Haolun Wu and Chen Ma and Yingxue Zhang and Xue Liu and Ruiming Tang and Mark Coates},
journal= {arXiv preprint arXiv:2208.01709},
year = {2022}
}