校准解耦学习与相关优先重排序用于校准序列推荐
信息检索
2024-08-06 v1 人工智能
摘要
校准推荐旨在在推荐结果中维持特定类别的个人比例, 因而能提升用户满意度, 因而能反映用户多样化的兴趣. 然而, 在序列设置下实现校准(即校准序列推荐)具有挑战性, 因为需要适应用户不断变化的偏好. 先前方法通常利用重排序算法在训练模型后进行校准推荐, 但未考虑校准的影响, 且无法有效解决重排序过程中相关性与校准之间的冲突. 本文提出LeapRec(校准解耦学习与相关优先重排序), 一种用于校准序列推荐的新方法, 以解决上述挑战. LeapRec包含两个阶段: 模型训练阶段和重排序阶段. 在训练阶段, 使用我们提出的校准解耦学习排序损失函数训练一个骨干模型, 以集成校准考量, 优化个人化排序. 在重排序阶段, 将相关项目置于列表顶部, 而校准所需的项目置于后续位置, 以解决相关性与校准之间的潜在冲突. 通过在四个真实数据集上的大量实验, 我们表明LeapRec在校准序列推荐方面 consistently 优于先前方法. 本代码可在 https://github.com/jeon185/LeapRec 查看.
引用
@article{arxiv.2408.02156,
title = {Calibration-Disentangled Learning and Relevance-Prioritized Reranking for Calibrated Sequential Recommendation},
author = {Hyunsik Jeon and Se-eun Yoon and Julian McAuley},
journal= {arXiv preprint arXiv:2408.02156},
year = {2024}
}
备注
Published at CIKM '24 as a full research paper