多兴趣推荐中用于物品嵌入增强的属性模拟
信息检索
2023-11-30 v1
摘要
尽管多兴趣推荐模型在匹配阶段已取得显著进展，我们的研究揭示现有模型往往表现出物品嵌入空间聚类不足，导致物品间可分辨性低并妨碍物品检索。这凸显了物品嵌入增强的必要性。然而，作为有效且直接的增强侧信息，物品属性在许多公开数据集中或因人工标注任务费力而不可用或不完整。这一困境引出两个有意义的问题：1. 我们能否绕过人工标注，直接从交互数据中模拟完整的属性信息？2. 若可行，在匹配阶段如何以高精度、低复杂度模拟属性？本文中，我们首先确立一个启发性的理论可行性：物品-属性相关矩阵可通过物品共现矩阵的初等变换来近似。随后基于公式推导，我们在匹配阶段的多兴趣推荐中提出一个简单而有效的模块 SimEmb（通过模拟属性实现物品嵌入增强）以落实我们的发现。通过利用共现矩阵模拟属性，SimEmb 摒弃基于物品 ID 的嵌入，并采用属性加权求和来进行物品嵌入增强。在四个基准数据集上的综合实验表明，我们的方法显著增强了物品嵌入的聚类，并以 Recall@20 上平均 25.59% 的提升大幅优于 SOTA 模型。
引用
@article{arxiv.2311.17374,
title = {Attribute Simulation for Item Embedding Enhancement in Multi-interest Recommendation},
author = {Yaokun Liu and Xiaowang Zhang and Minghui Zou and Zhiyong Feng},
journal= {arXiv preprint arXiv:2311.17374},
year = {2023}
}
备注
This paper has been accepted by the 17th ACM International Conference on Web Search and Data Mining (WSDM 2024). The camera-ready version will be available in the conference proceedings