DisCo：面向推荐系统中表格空间与语义空间的和谐解耦与协作
信息检索
2024-06-05 v2 人工智能
摘要
推荐系统在电子商务、社交媒体等各种应用中发挥着重要作用。传统的推荐方法通常在表格表示空间内对协同信号进行建模。尽管具有个性化建模和高效性，但潜在的语义依赖关系被忽略了。随后出现了将语义引入推荐的方法，将来自压缩了通用语言理解的语义表示空间的知识注入其中。然而，现有的语义增强推荐方法侧重于对齐两个空间，在此过程中，两个空间的表示趋于接近，而独特的模式被丢弃且未被充分探索。在本文中，我们提出DisCo来解耦两个表示空间中的独特模式，并协作两个空间以增强推荐，从而捕获两个空间的特殊性和一致性。具体来说，我们提出了：1）一个双端注意力网络，用于捕获域内模式和跨域模式；2）一个充分性约束，用于保留每个表示空间中与任务相关的信息并滤除噪声；3）一个解耦约束，用于避免模型丢弃独特信息。这些模块在解耦和协作两个表示空间之间取得平衡，以产生信息丰富的模式向量，这些向量可以作为额外特征附加到任意推荐主干上进行增强。实验结果验证了我们的方法相对于不同模型的优越性，以及DisCo在不同主干上的兼容性。还进行了各种消融研究和效率分析，以证明每个模型组件的合理性。
引用
@article{arxiv.2406.00011,
title = {DisCo: Towards Harmonious Disentanglement and Collaboration between Tabular and Semantic Space for Recommendation},
author = {Kounianhua Du and Jizheng Chen and Jianghao Lin and Yunjia Xi and Hangyu Wang and Xinyi Dai and Bo Chen and Ruiming Tang and Weinan Zhang},
journal= {arXiv preprint arXiv:2406.00011},
year = {2024}
}