由粗到细的稀疏序列推荐
信息检索
2022-04-06 v1 人工智能
摘要
序列推荐旨在从历史事件交互中建模动态用户行为。自注意力方法已被证明能有效捕捉短期动态与长期偏好。尽管取得成功，这些方法仍难以建模稀疏数据，在稀疏数据上难以学习高质量的物品表示。我们提出同时从购物意图与交互物品建模用户动态。所学意图为粗粒度，并作为物品推荐的先验知识。为此，我们提出一个由粗到细的自注意力框架，即 CaFe，其显式学习粗粒度与细粒度的序列动态。具体而言，CaFe 首先从稠密的粗粒度序列中学习意图，从而提供高质量的用户意图表示。然后，CaFe 将意图表示融合进物品编码器输出以获得改进的物品表示。最后，我们基于物品及相应意图的表示推断推荐物品。在稀疏数据集上的实验表明，CaFe 相较最先进的自注意力推荐器平均在 NDCG@5 上高出 44.03%。
引用
@article{arxiv.2204.01839,
title = {Coarse-to-Fine Sparse Sequential Recommendation},
author = {Jiacheng Li and Tong Zhao and Jin Li and Jim Chan and Christos Faloutsos and George Karypis and Soo-Min Pantel and Julian McAuley},
journal= {arXiv preprint arXiv:2204.01839},
year = {2022}
}
备注
Accepted as conference paper at SIGIR 2022