基于反事实学习驱动的表示解缝：用于搜索增强推荐的框架
信息检索
2024-12-02 v1
摘要
对于互联网平台的推荐系统而言，搜索活动通过查询-点击与物品的互动，提供了关于用户兴趣的额外信息，因而被广泛用于增强个性化推荐。然而，这些互动物品不仅包含匹配用户兴趣且有助于推荐领域的可迁移特征，还包含与用户独特意图相关于搜索领域的特征。大多数当前的搜索增强推荐方法忽略了这种物品特征的领域差距。它们直接将这些搜索行为纳入推荐，从而引入部分负迁移。为解决此问题，本文提出了一种基于反事实学习驱动的表示解缝框架，用于搜索增强推荐。该框架基于这样一种共识：用户在查询下点击物品，并不仅仅是由于物品与查询的匹配，还包括由于物品的查询无关的通用特征（如颜色或风格）符合用户兴趣。这些通用特征排除了查询相关意图的反映，确保了对用户潜在兴趣的纯粹匹配，以补充推荐。根据反事实思维，如果我们移除物品在搜索中的查询相关特征，用户偏好和查询匹配会如何变化，我们利用搜索查询构建反事实信号，以解缝物品表示，隔离仅与查询无关的通用特征。这些表示随后用于推荐场景中的特征增强和数据增强。实验在真实数据集上验证了ClardRec在协同过滤和序列推荐场景中的有效性。
引用
@article{arxiv.2411.18631,
title = {Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation},
author = {Jiajun Cui and Xu Chen and Shuai Xiao and Chen Ju and Jinsong Lan and Qingwen Liu and Wei Zhang},
journal= {arXiv preprint arXiv:2411.18631},
year = {2024}
}