面向多兴趣个性化推荐的密度加权
信息检索
2023-08-04 v1
摘要
使用多用户表示（MUR）而非单一用户表示（SUR）来建模用户行为已被证明可改善推荐系统中的个性化。然而，MUR所观察到的性能提升可能对物品和/或用户兴趣分布的偏斜敏感。当数据分布高度偏斜时，通过学习多表示所获得的增益会减弱，因为模型在头部物品/兴趣上占主导，导致在尾部物品上表现不佳。因此，对数据稀疏性的鲁棒性对于基于MUR的方法取得良好推荐性能至关重要。然而，MUR与数据不平衡的研究在很大程度上是独立进行的。本文深入探究由不平衡数据分布推断出的MUR的缺陷。我们做出若干贡献：（1）利用合成数据集，我们展示了MUR对数据不平衡的敏感性；（2）为改善MUR在尾部物品上的表现，我们提出一种带用户塔校准的迭代密度加权方案（IDW），以减轻长尾分布训练对个性化的影响；（3）通过在三个真实世界基准上的大量实验，我们证明IDW优于其他解决数据不平衡的替代方案。
引用
@article{arxiv.2308.01563,
title = {Density Weighting for Multi-Interest Personalized Recommendation},
author = {Nikhil Mehta and Anima Singh and Xinyang Yi and Sagar Jain and Lichan Hong and Ed H. Chi},
journal= {arXiv preprint arXiv:2308.01563},
year = {2023}
}