DimeRec：基于生成扩散模型的增强序列推荐统一框架
信息检索
2024-08-23 v1 机器学习
摘要
序列推荐是推荐系统中的关键任务，通过基于用户非平稳历史交互来量身定制推荐。实现高质量的序列推荐需要关注物品表示和多样性。然而，设计一种同时优化这两项指标的方法长期以来一直是挑战。本研究通过将最近应用于序列推荐的生成扩散模型（Diffusion Models, DM）集成到序列推荐中来解决此问题。DM在表示学习和多样化图像生成方面已显示出实用性。然而，直观地将序列推荐与DM结合会导致次优性能，原因是学习目标（推荐 vs. 噪声重建）和学习空间（非平稳 vs. 稳态）之间的差异。为克服这一问题，我们提出了一种新型框架，称为DimeRec（Diffusion with multi-interest enhanced Recommender）。DimeRec协同结合了一个指导提取模块（GEM）和一个生成扩散聚合模块（DAM）。GEM从用户的非平稳交互历史中提取关键的稳态指导信号，而DAM则利用基于GEM输出的生成扩散过程来重构和生成一致的推荐。我们的数值实验表明，DimeRec在三个公开数据集上显著优于既定的基线方法。此外，我们成功地在大型短视频推荐平台上部署了DimeRec，服务数亿用户。实时A/B测试确认，我们的方法在提升用户停留时间和结果多样性方面取得了显著效果。
引用
@article{arxiv.2408.12153,
title = {DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models},
author = {Wuchao Li and Rui Huang and Haijun Zhao and Chi Liu and Kai Zheng and Qi Liu and Na Mou and Guorui Zhou and Defu Lian and Yang Song and Wentian Bao and Enyun Yu and Wenwu Ou},
journal= {arXiv preprint arXiv:2408.12153},
year = {2024}
}