Benefit from Rich：应对搜索增强推荐中的搜索交互稀疏性

在现代在线平台中，搜索与推荐 (S&R) 通常共存，为通过搜索增强方法提升性能提供了机会。现有研究表明，结合搜索信号可以提升推荐性能。然而，这些方法的有效性严重依赖于丰富的搜索交互。它们主要使一小部分具有丰富搜索行为的用户受益，而对大多数仅表现出稀疏搜索活动的用户提供的改进有限。为了解决搜索增强推荐中搜索数据稀疏的问题，我们面临两个关键挑战：(1) 如何为搜索交互稀疏的用户学习有用的搜索特征，以及 (2) 如何在稀疏条件下设计有效的训练目标。我们的想法是利用具有丰富搜索交互的用户的特征来增强具有稀疏搜索交互的用户的特征。基于此想法，我们提出了 GSERec，一种利用用户代码图上的消息传递来缓解搜索增强推荐中数据稀疏性的方法。具体而言，我们利用具有向量量化的大型语言模型 (LLM) 生成离散代码，这些代码连接相似用户从而构建该图。通过在此图上进行消息传递，具有丰富搜索数据的用户的嵌入被传播以增强具有稀疏交互的用户的嵌入。为了进一步确保消息传递从真正相似的用户中捕获有意义的信息，我们引入了对比损失以更好地建模用户相似性。增强的用户表示随后被集成到下游的搜索增强推荐模型中。在三个真实世界数据集上的实验表明，GSERec 始终优于基线，特别是对于具有稀疏搜索行为的用户。