解耦长短期兴趣用于推荐
信息检索
2022-03-01 v1
摘要
对用户长期与短期兴趣建模对于精准推荐至关重要。然而，由于用户兴趣没有人工标注标签，现有方法总是遵循将这两方面纠缠在一起的范式，这可能导致推荐准确率和可解释性下降。本文中，为解决这个问题，我们提出一个对比学习框架，以自监督方式解耦长短期兴趣用于推荐（CLSR）。具体而言，我们首先提出两个独立的编码器分别捕捉不同时间尺度的用户兴趣。然后从交互序列中提取长期与短期兴趣代理，作为用户兴趣的伪标签。接着设计成对对比任务来监督兴趣表示与其对应兴趣代理之间的相似性。最后，由于长期与短期兴趣的重要性动态变化，我们提出通过基于注意力的网络自适应聚合它们以进行预测。我们在两个大规模真实世界数据集上进行了电商与短视频推荐实验。实证结果表明，我们的 CLSR 始终以显著提升优于所有最先进模型：GAUC 提升超过 0.01，NDCG 提升超过 4%。进一步的反事实评估表明 CLSR 成功实现了长短期兴趣的更强解耦。代码与数据见 https://github.com/tsinghua-fib-lab/CLSR。
引用
@article{arxiv.2202.13090,
title = {Disentangling Long and Short-Term Interests for Recommendation},
author = {Yu Zheng and Chen Gao and Jianxin Chang and Yanan Niu and Yang Song and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2202.13090},
year = {2022}
}
备注
Accepted by WWW'22