用于单类协同过滤的用户与物品表示自举方法
机器学习
2021-05-14 v1 信息检索
摘要
单类协同过滤（OCCF）的目标是识别呈正相关的用户-物品对但尚未发生交互的那些对，其中仅观察到一小部分正的用户-物品交互（例如用户的隐式反馈）。为了在正负交互之间进行判别建模，以往大多数工作都在一定程度上依赖于负采样，即将未观测到的用户-物品对视为负例，因为真实的负例是未知的。然而，负采样方案存在严重局限，因为它可能将“正相关但未观测”的对选为负例。本文提出一种新颖的 OCCF 框架，称为 BUIR，它不需要负采样。为了使正相关的用户和物品的表示彼此相似同时避免坍缩解，BUIR 采用两个相互学习的不同编码器网络；第一个编码器被训练以预测第二个编码器的输出作为其目标，而第二个编码器通过缓慢逼近第一个编码器来提供一致的目标。此外，BUIR 通过对编码器输入施加随机数据增强，有效缓解了 OCCF 的数据稀疏问题。基于用户和物品的邻域信息，BUIR 在每次编码时随机生成每个正交互的增强视图，然后通过这种自监督进一步训练模型。我们大量的实验表明，BUIR 持续且显著地大幅优于所有基线方法，尤其是在任何关于负交互的假设都较不成立的更稀疏数据集上。
引用
@article{arxiv.2105.06323,
title = {Bootstrapping User and Item Representations for One-Class Collaborative Filtering},
author = {Dongha Lee and SeongKu Kang and Hyunjun Ju and Chanyoung Park and Hwanjo Yu},
journal= {arXiv preprint arXiv:2105.06323},
year = {2021}
}
备注
SIGIR 2021. 9 pages + references (1 page). 6 figures