自注意力之上的注意力：基于动态Transformer编码器的意图感知重排序推荐方法
信息检索
2023-03-14 v3
摘要
重排序模型对先前全局排序模型生成的物品推荐列表进行精化，已证明能有效提升推荐质量。然而，大多数现有重排序方案仅利用共享预测模型从隐式反馈中学习，遗憾地忽略了多样用户意图下的物品间关系。本文中，我们提出一种基于动态Transformer编码器(DTE)的意图感知重排序模型(RAISE)，旨在基于每位用户的意图对其进行个性化预测。具体而言，我们首先提出用意图发现模块(IDM)从文本评论中挖掘潜在用户意图。通过协同注意力网络区分评论信息的重要性，可为每个用户-物品对显式建模潜在用户意图。随后我们引入动态Transformer编码器(DTE)，借助IDM无缝融入所学潜在用户意图，以捕捉候选物品间用户特定的物品间关系。由此，不仅可实现更个性化的推荐，还能通过在现有推荐引擎上构建RAISE获得相应解释。在四个公开数据集上的实证研究表明，所提RAISE具有优越性，按Precision@5、MAP@5和NDCG@5评估的相对提升分别达13.95%、9.60%和13.03%。
引用
@article{arxiv.2201.05333,
title = {Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation},
author = {Zhuoyi Lin and Sheng Zang and Rundong Wang and Zhu Sun and J. Senthilnath and Chi Xu and Chee-Keong Kwoh},
journal= {arXiv preprint arXiv:2201.05333},
year = {2023}
}
备注
Accepted by IEEE TKDE