面向序列推荐的对比增强滑动滤波混合器
信息检索
2023-05-09 v1
摘要
序列推荐（SR）旨在通过对用户历史交互物品数据中的行为模式进行建模来刻画用户偏好。现有多数方法在时域中建模用户偏好，忽略了用户行为也受多种频域模式影响的事实，而这些模式在纠缠的时序物品中难以分离。然而，少有研究尝试在频域中训练序列推荐模型，且如何利用频率分量学习恰当的用户表示仍不清楚。为解决该问题，我们将视角转向频域，提出一种新颖的面向序列推荐的对比增强\textbf{SLI}de Filter \textbf{M}ixEr，命名为 \textbf{SLIME4Rec}。具体而言，我们设计了一种频率斜坡结构，使可学习滤波器在各层间的频谱上滑动以捕获不同频率模式。此外，提出动态频率选择（DFS）与静态频率分割（SFS）模块以替代自注意力模块，从两种途径有效提取频率信息。DFS 用于动态选择有益的频率分量，SFS 与动态频率选择模块结合以提供更细粒度的频率划分。最后，利用对比学习提升从频域学到的用户嵌入质量。在五个广泛使用的基准数据集上的大量实验表明，我们所提模型显著优于当前最优方法。代码见 https://github.com/sudaada/SLIME4Rec。
引用
@article{arxiv.2305.04322,
title = {Contrastive Enhanced Slide Filter Mixer for Sequential Recommendation},
author = {Xinyu Du and Huanhuan Yuan and Pengpeng Zhao and Junhua Fang and Guanfeng Liu and Yanchi Liu and Victor S. Sheng and Xiaofang Zhou},
journal= {arXiv preprint arXiv:2305.04322},
year = {2023}
}