面向序列推荐的条件去噪扩散模型
机器学习
2023-04-25 v1 人工智能
信息检索
摘要
生成模型因能通过学习内在数据分布来处理不确定性而引起了显著关注。然而，两种突出的生成模型——生成对抗网络（GAN）与变分自编码器（VAE）——在序列推荐任务中面临阻碍最优性能的挑战。具体而言，GAN存在优化不稳定的问题，而VAE易于后验坍缩与过度平滑的生成。序列推荐的稀疏与噪声本质进一步加剧了这些问题。为应对这些局限，我们提出一种条件去噪扩散模型，包含序列编码器、交叉注意力去噪解码器与逐步扩散器。该方法以条件自回归方式将优化与生成过程拆分为更简单且可处理的步骤。此外，我们引入一种融合交叉散度损失与对比损失的新型优化方案，使模型能生成高质量序列/物品表示并同时避免坍缩。我们在四个基准数据集上进行了综合实验，模型所取得的优越性能印证了其有效性。
引用
@article{arxiv.2304.11433,
title = {Conditional Denoising Diffusion for Sequential Recommendation},
author = {Yu Wang and Zhiwei Liu and Liangwei Yang and Philip S. Yu},
journal= {arXiv preprint arXiv:2304.11433},
year = {2023}
}