DemiNet：面向点击率预测的依赖感知多兴趣网络与自监督图学习
信息检索
2024-03-12 v2
摘要
本文提出了一种名为 DemiNet（依赖感知多兴趣网络）的新型模型，以解决上述两个问题。具体而言，我们首先考虑项目节点间的多种依赖类型，并执行依赖感知的异质注意力机制，以进行去噪并获取准确的项目序列表示。其次，为了提取多兴趣，我们在图嵌入之上应用多头注意力。为滤除项目间的噪声相关性并增强所提取兴趣的鲁棒性，在上述两个步骤中引入了自监督兴趣学习。第三，为了聚合多兴趣，对应于不同兴趣路径的兴趣专家分别给出评分，而一个专用网络则分配每个评分的置信度。在三个真实世界数据集上的实验结果表明，所提出的 DemiNet 相较于多个最先进的基线模型，显著提升了整体推荐性能。进一步的研究验证了细粒度用户兴趣建模带来的有效性和可解释性优势。
引用
@article{arxiv.2109.12512,
title = {DemiNet: Dependency-Aware Multi-Interest Network with Self-Supervised Graph Learning for Click-Through Rate Prediction},
author = {Yule Wang and Qiang Luo and Yue Ding and Yunzhe Li and Dong Wang and Hongbo Deng},
journal= {arXiv preprint arXiv:2109.12512},
year = {2024}
}