CITIES：面向序列推荐中长尾物品嵌入的上下文推断
信息检索
2021-05-25 v1
摘要
序列推荐技术通过处理用户随时间变化的动态偏好，为用户提供符合其当前偏好的产品推荐。先前的研究侧重于对序列动态进行建模，而较少关注应推荐哪些畅销产品（即头部物品）或小众产品（即长尾物品）。我们审视了当前序列推荐模型（由物品嵌入层、序列建模层和推荐层组成）中长尾物品极少被推荐的结构性原因。设计良好的序列建模层和推荐层理应自然学习到合适的物品嵌入。然而，由于当前模型结构不适合在数据不足的情况下学习高质量嵌入，长尾物品很可能无法满足这一预期。因此，长尾物品很少被推荐。为消除该问题，我们提出了一个称为CITIES的框架，旨在通过利用多个上下文头部物品训练嵌入推断函数，来提升长尾物品嵌入的质量，从而使头部物品与长尾物品的推荐性能均得到改善。此外，我们的框架无需额外学习过程即可推断新物品嵌入。在两个真实世界数据集上的大量实验表明，将CITIES应用于最先进的方法可提升头部与长尾物品的推荐性能。我们进行了额外实验以验证CITIES也能推断合适的新物品嵌入。
引用
@article{arxiv.2105.10868,
title = {CITIES: Contextual Inference of Tail-Item Embeddings for Sequential Recommendation},
author = {Seongwon Jang and Hoyeop Lee and Hyunsouk Cho and Sehee Chung},
journal= {arXiv preprint arXiv:2105.10868},
year = {2021}
}
备注
Accepted as a full paper at IEEE ICDM 2020