CORE：一致表示空间内简洁高效的基于会话推荐
信息检索
2022-04-26 v1 人工智能
摘要
基于会话的推荐（SBR）是指基于匿名会话内的短期用户行为预测下一个物品的任务。然而，由非线性编码器学习的会话嵌入通常与物品嵌入不在同一表示空间中，导致推荐物品时出现不一致预测问题。为解决该问题，我们提出一个名为CORE的简洁高效框架，其能统一编码与解码过程的表示空间。首先，我们设计了一个表示一致的编码器，将输入物品嵌入的线性组合作为会话嵌入，从而保证会话与物品处于同一表示空间。此外，我们提出一种鲁棒的距离度量方法，以防止一致表示空间中的嵌入过拟合。在五个公开真实数据集上的大量实验证明了所提方法的有效性与高效性。代码见：https://github.com/RUCAIBox/CORE。
引用
@article{arxiv.2204.11067,
title = {CORE: Simple and Effective Session-based Recommendation within Consistent Representation Space},
author = {Yupeng Hou and Binbin Hu and Zhiqiang Zhang and Wayne Xin Zhao},
journal= {arXiv preprint arXiv:2204.11067},
year = {2022}
}
备注
Accepted by SIGIR 2022