用于基于原始像素基准测试推荐系统的图像数据集
信息检索
2023-09-19 v2
摘要
推荐系统（RS）通过利用显式标识（ID）特征取得了显著成功。然而，内容特征尤其是纯图像像素特征的潜力仍相对未被充分挖掘。大规模、多样化且以内容驱动的图像推荐数据集的匮乏，阻碍了将原始图像用作物品表征。为此，我们提出 PixelRec，一个以图像为核心的海量推荐数据集，包含约 2 亿条用户-图像交互、3000 万用户和 40 万张高质量封面图像。通过直接提供原始图像像素，PixelRec 使推荐模型能够直接从中学习物品表征。为展示其效用，我们首先给出在 PixelRec 上训练的若干经典纯 ID 基线模型（称为 IDNet）的结果。随后，为证明该数据集图像特征的有效性，我们将物品 ID 嵌入（来自 IDNet）替换为强大的视觉编码器，以原始图像像素表征物品，该新模型称为 PixelNet。我们的发现表明，即使在 IDNet 被公认为高度有效的标准非冷启动推荐场景中，PixelNet 已能与 IDNet 表现相当甚至更优。此外，PixelNet 相较 IDNet 还具有若干其他显著优势，例如在冷启动与跨域推荐场景中更为有效。这些结果凸显了 PixelRec 中视觉特征的重要性。我们相信 PixelRec 可作为强调图像像素内容的推荐模型研究的关键资源与试验场。数据集、代码与排行榜将发布于 https://github.com/westlake-repl/PixelRec。
引用
@article{arxiv.2309.06789,
title = {An Image Dataset for Benchmarking Recommender Systems with Raw Pixels},
author = {Yu Cheng and Yunzhu Pan and Jiaqi Zhang and Yongxin Ni and Aixin Sun and Fajie Yuan},
journal= {arXiv preprint arXiv:2309.06789},
year = {2023}
}