CT4Rec：用于序列推荐的简单而有效的一致性训练方法
信息检索
2023-08-10 v3
摘要
序列推荐方法在尖端推荐系统中日益重要。通过利用历史记录，系统能够捕捉用户兴趣并据此进行推荐。最近提出的最先进序列推荐模型结合了对比学习技术以获取高质量的用户表示。尽管有效且表现良好，基于对比学习的模型需要仔细选择数据增强方法和 pretext task（预训练任务）、高效的负采样策略以及大量的超参数验证。在本文中，我们提出了一种极为简单的替代方案，用于获取更好的用户表示并提升序列推荐性能。具体而言，我们提出了一种用于序列推荐的简单而有效的一致性训练方法（CT4Rec，Consistency Training for sequential Recommendation），该方法仅使用两个额外的训练目标，无需任何结构修改和数据增强。在三个基准数据集和一个新爬取的大规模工业语料上的实验表明，我们提出的方法大幅优于 SOTA 模型，且训练时间远少于基于对比学习的模型。在真实内容推荐系统上的在线评估也实现了点击率 2.717% 的提升以及人均平均点击数 3.679% 的增长。进一步探索揭示，这种简单的方法在 CTR 预测方面具有巨大潜力。我们的代码可在 https://github.com/ct4rec/CT4Rec.git 获取。
引用
@article{arxiv.2112.06668,
title = {CT4Rec: Simple yet Effective Consistency Training for Sequential Recommendation},
author = {Chong Liu and Xiaoyang Liu and Rongqin Zheng and Lixin Zhang and Xiaobo Liang and Juntao Li and Lijun Wu and Min Zhang and Leyu Lin},
journal= {arXiv preprint arXiv:2112.06668},
year = {2023}
}