面向社交推荐的去噪自增强学习
信息检索
2023-11-02 v2
摘要
社交推荐在电子商务和在线流媒体等各类在线应用中受到越来越多的关注，其中利用社交信息来改进用户-物品交互建模。近来，自监督学习（Self-Supervised Learning, SSL）已证明可通过增强学习任务有效解决数据稀疏性问题。受此启发，研究者尝试将 SSL 引入社交推荐，通过补充社交感知的自监督信号来辅助主监督任务。然而，由于普遍存在着与兴趣无关的社交关系（如同事或同学之间并无诸多共同兴趣），社交信息在刻画用户偏好时不可避免地存在噪声。为应对这一挑战，我们提出了一种称为去噪自增强学习范式（DSL）的新型社交推荐模型。我们的模型不仅保留有益的社交关系以增强用户-物品交互建模，还能通过嵌入空间中的自适应语义对齐实现个性化的跨视图知识迁移。我们在多个推荐基准上的实验结果证实了 DSL 相对于最先进方法的优越性。我们在 https://github.com/HKUDS/DSL 发布了模型实现。
引用
@article{arxiv.2305.12685,
title = {Denoised Self-Augmented Learning for Social Recommendation},
author = {Tianle Wang and Lianghao Xia and Chao Huang},
journal= {arXiv preprint arXiv:2305.12685},
year = {2023}
}
备注
8 pages, 4 figures, published by IJCAI2023