面向分布外序列推荐的深度稳定多兴趣学习
信息检索
2023-04-13 v1 人工智能
摘要
近来，将用户兴趣提取为多个表示向量的多兴趣模型在序列推荐中展现出良好性能。然而，现有多兴趣推荐模型均未考虑分布外（OOD）泛化问题，其中兴趣分布可能发生变化。考虑到用户的多重兴趣通常高度相关，模型有可能学到噪声兴趣与目标项之间的虚假关联。一旦数据分布改变，兴趣间关联亦可能变化，虚假关联将误导模型作出错误预测。为应对上述OOD泛化问题，我们提出一种新颖的多兴趣网络，称为深度稳定多兴趣学习（DESMIL），其试图解耦模型中提取的兴趣，从而消除虚假关联。DESMIL应用注意力模块提取多重兴趣，随后选择最重要者进行最终预测。同时，DESMIL引入基于希尔伯特-施密特独立性准则（HSIC）的加权关联估计损失，借此对训练样本加权，以最小化提取兴趣间的关联。在OOD与随机设定下均进行了充分实验，分别取得了高达36.8%与21.7%的相对提升。
关键词
引用
@article{arxiv.2304.05615,
title = {Deep Stable Multi-Interest Learning for Out-of-distribution Sequential Recommendation},
author = {Qiang Liu and Zhaocheng Liu and Zhenxi Zhu and Shu Wu and Liang Wang},
journal= {arXiv preprint arXiv:2304.05615},
year = {2023}
}