DiffuRec:一种用于序列推荐的差分模型
信息检索
2023-10-31 v4
摘要
序列推荐(SR)的主流方案以固定向量表示物品。这些向量在捕捉物品潜在方面与用户多样偏好上的能力有限。作为一种新生成范式,扩散模型已在计算机视觉与自然语言处理等领域取得优异表现。据我们所知,其在表示生成上的独特优势恰好契合序列推荐的问题设定。本文首次尝试将扩散模型适配于 SR,提出 DiffuRec,用于物品表示构建与不确定性注入。DiffuRec 不以固定向量建模物品表示,而是将其表示为分布,自适应地反映用户的多重兴趣与物品的各个方面。在扩散阶段,DiffuRec 通过加噪将目标物品嵌入腐蚀为高斯分布,并进一步用于序列物品分布表示生成与不确定性注入。随后,该物品表示被送入近似器以重建目标物品表示。在反向阶段,基于用户历史交互行为,我们将高斯噪声反演为目标物品表示,再施以取整操作以预测目标物品。在四个数据集上的实验表明,DiffuRec 大幅优于强基线方法。
引用
@article{arxiv.2304.00686,
title = {DiffuRec: A Diffusion Model for Sequential Recommendation},
author = {Zihao Li and Aixin Sun and Chenliang Li},
journal= {arXiv preprint arXiv:2304.00686},
year = {2023}
}