用于序列推荐的行列式点过程似然

序列推荐是学术研究中的热门任务，且贴近真实应用场景，其目标是基于用户先前的动作序列预测用户的下一个（或多个）动作。在推荐系统的训练过程中，损失函数在引导推荐模型优化以生成准确建议方面起着至关重要的作用。然而，大多数现有序列推荐技术聚焦于设计算法或神经网络架构，鲜有工作致力于量身定制自然契合序列推荐系统实际应用场景的损失函数。基于排序的损失，如交叉熵与贝叶斯个性化排序（BPR）在序列推荐领域被广泛使用。我们认为此类目标函数存在两个固有缺陷：i）这些损失表述中忽视了序列中元素间的依赖关系；ii）未能平衡准确性（质量）与多样性，仅过度强调生成准确结果。因此我们提出两种基于行列式点过程（DPP）似然的新损失函数，可自适应地应用于估计后续的一个或多个物品。DPP分布的物品集合捕捉了时间动作间的自然依赖，而DPP核的质量-多样性分解推动我们超越以准确性为导向的损失函数。在三个真实世界数据集上使用所提损失函数的实验结果显示，在质量与多样性指标上均较最先进序列推荐方法取得显著改进。