基于压缩交互图的多行为推荐框架
信息检索
2023-03-07 v1 机器学习
摘要
在大多数真实推荐场景中，记录了多种类型的用户行为数据（例如点击、加购和购买），这有助于学习用户多方面的偏好。然而，由于数据分布不平衡和目标行为稀疏，探索多行为数据具有挑战性，当将多行为数据“作为特征”处理时会导致高阶关系建模不充分，而当“作为标签”处理时则会在多任务学习中产生梯度冲突。本文提出CIGF，一种基于压缩交互图的框架，以克服上述局限。具体而言，我们设计了一种新颖的压缩交互图卷积网络（CIGCN）来显式建模实例级高阶关系。为缓解将多行为数据“作为标签”时的潜在梯度冲突，我们在CIGCN之上提出了一种具有分离输入的多专家（MESI）网络用于多任务学习。在三个大规模真实数据集上的综合实验证明了CIGF的优越性。消融研究和深入分析进一步验证了我们所提模型在捕获高阶关系和缓解梯度冲突方面的有效性。源代码和数据集可在 https://github.com/MC-CV/CIGF 获取。
引用
@article{arxiv.2303.02418,
title = {Compressed Interaction Graph based Framework for Multi-behavior Recommendation},
author = {Wei Guo and Chang Meng and Enming Yuan and Zhicheng He and Huifeng Guo and Yingxue Zhang and Bo Chen and Yaochen Hu and Ruiming Tang and Xiu Li and Rui Zhang},
journal= {arXiv preprint arXiv:2303.02418},
year = {2023}
}
备注
Wei Guo and Chang Meng are co-first authors and contributed equally to this research. Chang Meng is supervised by Wei Guo when he was a research intern at Huawei Noah's Ark Lab