超越下一物品学习：基于个性化兴趣持续性的序列推荐
信息检索
2022-09-15 v1 人工智能
机器学习
摘要
序列推荐系统通过捕获用户兴趣漂移展现了有效的推荐能力。现有序列模型分为两类：以用户为中心和以物品为中心的模型。以用户为中心的模型基于每位用户的序列消费历史捕获个性化兴趣漂移，但未显式考虑用户对该物品的兴趣在训练时间之后是否持续，即兴趣持续性。另一方面，以物品为中心的模型考虑用户的一般兴趣在训练时间之后是否持续，但其并非个性化的。在本工作中，我们提出一种兼具两类模型优势的推荐系统。我们所提模型捕获个性化兴趣持续性，指示每位用户对该物品的兴趣在训练时间之后是否会持续。我们首先形式化了一项任务，要求基于用户消费历史预测每位用户在训练时间近期段将消费哪些物品。随后我们提出简单而有效的方案来增广用户稀疏的消费历史。大量实验表明，所提模型在 11 个真实世界数据集上优于 10 个基线模型。代码见 https://github.com/dmhyun/PERIS。
引用
@article{arxiv.2209.06644,
title = {Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability},
author = {Dongmin Hyun and Chanyoung Park and Junsu Cho and Hwanjo Yu},
journal= {arXiv preprint arXiv:2209.06644},
year = {2022}
}
备注
CIKM 2022