CPMR：基于伪多任务学习的上下文感知增量序列推荐
信息检索
2023-09-19 v3 人工智能
摘要
用户进行交互的动机可分为静态偏好与动态兴趣。为随时间准确建模用户表征，序列推荐近期研究利用信息传播与演化从成批到达的交互中挖掘。然而，它们忽视了人们易受影响于上下文场景中其他用户的近期行为，且跨所有历史交互应用演化稀释了近期交互的重要性，从而未能准确建模动态兴趣的演化。为解决此问题，我们提出上下文感知伪多任务推荐系统（CPMR），通过为各用户与物品在不同动态下创建三种表征来建模历史与上下文场景中的演化：静态嵌入、历史时间状态与上下文时间状态。为双重提升时间状态演化与增量推荐的性能，我们设计了一种伪多任务学习（PMTL）范式，将增量单目标推荐堆叠为一个多目标任务以联合优化。在 PMTL 范式内，CPMR 采用共享底层网络以进行跨历史与上下文场景的时间状态演化，以及用户-物品层级的融合。此外，CPMR 包含一个用于增量预测的真实塔，以及两个专用于基于新批次交互更新各自时间状态的伪塔。在四个基准推荐数据集上的实验结果表明，CPMR 持续优于最先进的基线，并在其中三个上取得显著增益。代码见：https://github.com/DiMarzioBian/CPMR。
引用
@article{arxiv.2309.04802,
title = {CPMR: Context-Aware Incremental Sequential Recommendation with Pseudo-Multi-Task Learning},
author = {Qingtian Bian and Jiaxing Xu and Hui Fang and Yiping Ke},
journal= {arXiv preprint arXiv:2309.04802},
year = {2023}
}
备注
Accepted by CIKM 2023. Alias: "Modeling Context-Aware Temporal Dynamics via Pseudo-Multi-Task Learning"