通过双网络解耦序列推荐中的过去-未来建模
信息检索
2023-01-12 v2
摘要
序列推荐（SR）在个性化推荐系统中扮演着重要角色，因为它能从用户实时增长的行为中捕捉动态且多样的偏好。与标准的自回归训练策略不同，未来数据（在训练期间同样可用）已被用于促进模型训练，因为它提供了关于用户当前兴趣的更丰富信号，并可用于提升推荐质量。然而，这些方法存在严重的训练-推理差异，即在训练时过去和未来上下文由同一个编码器建模，而在推理期间只有历史行为可用。这种差异会导致潜在的性能下降。为了缓解训练-推理差异，我们提出了一个新框架 DualRec，它通过一个新颖的双网络实现了过去-未来解耦和过去-未来相互增强。具体而言，利用双网络结构分别对过去和未来上下文进行建模。并且，双向知识转移机制增强了双网络所学到的知识。在四个真实世界数据集上的大量实验证明了我们的方法优于基线方法。此外，我们通过以 RNN、Transformer 和 filter-MLP 作为骨干网络进行实例化，证明了 DualRec 的兼容性。进一步的实证分析验证了在 DualRec 框架下建模未来上下文的高效用。DualRec 的代码已在 https://github.com/zhy99426/DualRec 公开。
引用
@article{arxiv.2210.14577,
title = {Disentangling Past-Future Modeling in Sequential Recommendation via Dual Networks},
author = {Hengyu Zhang and Enming Yuan and Wei Guo and Zhicheng He and Jiarui Qin and Huifeng Guo and Bo Chen and Xiu Li and Ruiming Tang},
journal= {arXiv preprint arXiv:2210.14577},
year = {2023}
}
备注
Accept by CIKM 2022