面向可迁移推荐的基于协同词的预训练物品表示
信息检索
2023-12-22 v2
摘要
物品表示学习（IRL）在推荐系统中起着至关重要的作用，尤其对于序列推荐。传统序列推荐模型通常利用 ID 嵌入表示物品，其无法跨域共享且缺乏可迁移能力。近期研究使用预训练语言模型（PLM）生成物品文本嵌入（基于文本的 IRL），可跨域通用。然而，现有基于文本的 IRL 未利用重要的协同过滤（CF）信息。本文提出 CoWPiRec，一种面向推荐的基于协同词的预训练物品表示方法。为将 CF 信息有效融入基于文本的 IRL，我们将物品级交互数据转换为包含词级协同关系的词图。随后，我们设计了一种新颖的预训练任务，以对齐词级语义相关与 CF 相关的物品表示。在多个公开数据集上的大量实验结果表明，相较于最先进的可迁移序列推荐器，CoWPiRec 在跨场景推荐的微调与零样本设定下均取得显著更优性能，并有效缓解冷启动问题。代码见：https://github.com/ysh-1998/CoWPiRec。
引用
@article{arxiv.2311.10501,
title = {Collaborative Word-based Pre-trained Item Representation for Transferable Recommendation},
author = {Shenghao Yang and Chenyang Wang and Yankai Liu and Kangping Xu and Weizhi Ma and Yiqun Liu and Min Zhang and Haitao Zeng and Junlan Feng and Chao Deng},
journal= {arXiv preprint arXiv:2311.10501},
year = {2023}
}
备注
Accepted by ICDM 2023