用于序列推荐的对抗与对比变分自编码器
信息检索
2021-03-22 v1 机器学习
摘要
序列推荐作为一个新兴课题因其重要的实际意义而受到越来越多的关注。基于深度学习和注意力机制的模型在序列推荐中已取得良好性能。近来，基于变分自编码器（VAE）的生成模型在协同过滤中展现出独特优势。特别是，序列 VAE 模型作为 VAE 的循环版本，能有效捕捉用户序列中物品间的时间依赖并执行序列推荐。然而，基于 VAE 的模型存在一个普遍局限：所获近似后验分布的表征能力有限，导致生成样本质量较低。对于序列生成而言尤为如此。为解决上述问题，本工作中我们提出一种称为对抗与对比变分自编码器（ACVAE）的序列推荐新方法。具体而言，我们首先在对抗变分贝叶斯（AVB）框架下引入用于序列生成的对抗训练，使模型能生成高质量潜变量。随后，我们采用对比损失。通过最小化对比损失，潜变量将能学习更具个性化和显著性的特征。此外，在编码序列时，我们应用循环与卷积结构以捕捉序列中的全局与局部关系。最后，我们在四个真实数据集上进行了广泛实验。实验结果表明，我们所提 ACVAE 模型优于其他最先进的方法。
引用
@article{arxiv.2103.10693,
title = {Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation},
author = {Zhe Xie and Chengxuan Liu and Yichi Zhang and Hongtao Lu and Dong Wang and Yue Ding},
journal= {arXiv preprint arXiv:2103.10693},
year = {2021}
}
备注
11 pages, WWW 2021