超越正反馈历史：基于列表级混合反馈的重排序
信息检索
2024-10-29 v1
摘要
作为推荐系统的最后阶段，重排序生成一个符合用户偏好的重排序列。然而，以往的工作通常将物品级别的正反馈作为历史（例如，仅点击的物品），而忽略了用户会对整个列表中的物品提供正面或负面反馈。这种列表级混合反馈可以揭示用户的整体偏好，并反映用户在列表内显现的比较行为模式。这些模式可以预测用户在候选列表上的行为，从而辅助更好的重排序。尽管具有诱人的优势，但从列表级混合反馈中提取并整合偏好和行为模式到多物品重排序中仍具挑战。为此，我们提出了基于列表级混合反馈的重排序（命名为 RELIFE）。它通过三个模块捕捉用户的偏好和行为模式：一个解耦兴趣挖掘器，用于将用户的偏好解耦为兴趣和厌恶；一个序列偏好混合器，用于在反馈上下文中学习用户的纠缠偏好；以及一个比较感知模式提取器，用于捕捉用户在每个列表内的行为模式。此外，为了更好地整合模式，采用对比学习来对齐候选列表和历史列表的行为模式。大量实验表明，RELIFE 显著优于 SOTA 重排序基线。
引用
@article{arxiv.2410.20778,
title = {Beyond Positive History: Re-ranking with List-level Hybrid Feedback},
author = {Muyan Weng and Yunjia Xi and Weiwen Liu and Bo Chen and Jianghao Lin and Ruiming Tang and Weinan Zhang and Yong Yu},
journal= {arXiv preprint arXiv:2410.20778},
year = {2024}
}