面向多行为推荐的由粗到细知识增强多兴趣学习框架
摘要
多种类型的行为（例如点击、加入购物车、购买等）广泛存在于大多数真实推荐场景中，有助于学习用户多方面的偏好。由于多种行为显式地展现了依赖关系，有效建模复杂的行为依赖对于多行为预测至关重要。最先进的多行为模型将所有历史交互作为输入，无差别地学习行为依赖。然而，不同行为可能反映用户偏好的不同方面，这意味着一些不相关的交互可能作为噪声干扰待预测的目标行为。为解决上述局限，我们将多兴趣学习引入多行为推荐。更具体地，我们提出了一种新颖的由粗到细知识增强多兴趣学习（CKML）框架，为不同行为学习共享与行为特定的兴趣。CKML 引入两个先进模块，即粗粒度兴趣提取（CIE）与细粒度行为关联（FBC），它们协同工作以捕获细粒度行为依赖。CIE 利用知识感知信息提取各兴趣的初始表示。FBC 引入动态路由方案以进一步将各行为分配至兴趣中。此外，我们利用自注意力机制在兴趣层面关联不同行为信息。在三个真实数据集上的实证结果验证了我们的模型在利用多行为数据上的有效性与高效性。进一步的实验证明了各模块的有效性，以及共享与特定建模范式针对多行为数据的鲁棒性与优越性。
引用
@article{arxiv.2208.01849,
title = {Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation},
author = {Chang Meng and Ziqi Zhao and Wei Guo and Yingxue Zhang and Haolun Wu and Chen Gao and Dong Li and Xiu Li and Ruiming Tang},
journal= {arXiv preprint arXiv:2208.01849},
year = {2022}
}
备注
The self-attention mechanism should be contained in FBC and SRR is a part of CIE, but we does not do this in our previous code implementation, thus we redid the experiment and updated the experimental results, and tested the significance of the ablation experiment. Besides, we corrected some of the experimental details