解耦 ID 与模态效应的会话推荐
信息检索
2024-04-22 v1 人工智能
摘要
会话推荐旨在基于匿名用户的有限行为预测其意图。对用户行为进行建模涉及两种不同的理据：由物品 ID 反映的共现模式，以及由物品模态（如文本和图像）表示的细粒度偏好。然而，现有方法通常将这些起因纠缠在一起，导致其无法实现准确且可解释的推荐。为此，我们提出了一种新颖的框架 DIMO，以在该任务中解耦 ID 与模态效应。在物品层面，我们引入了一种共现表示模式，将共现模式显式地融入 ID 表示中。同时，DIMO 将不同模态对齐到一个统一的语义空间中以统一表示它们。在会话层面，我们提出了一种多视图自监督解耦，包括代理机制和反事实推断，以在没有监督信号的情况下解耦 ID 与模态效应。利用这些解耦的起因，DIMO 通过因果推断提供推荐，并进一步创建了两个用于生成解释的模板。在多个真实世界数据集上的大量实验证明了 DIMO 相对于现有方法的持续优越性。进一步的分析也证实了 DIMO 在生成解释方面的有效性。
引用
@article{arxiv.2404.12969,
title = {Disentangling ID and Modality Effects for Session-based Recommendation},
author = {Xiaokun Zhang and Bo Xu and Zhaochun Ren and Xiaochen Wang and Hongfei Lin and Fenglong Ma},
journal= {arXiv preprint arXiv:2404.12969},
year = {2024}
}
备注
This work has been accepted by SIGIR24' as a full paper