面向扩散序列推荐的杰出量化引导
信息检索
2025-02-12 v2
摘要
扩散模型 (DMs) 因其强大的分布建模能力和高质量生成能力，已成为序列推荐的有前景方法。现有工作通常对下一个物品添加噪声并通过用户交互序列逐步去噪，以生成与用户兴趣高度一致的物品。然而，我们识别出该范式存在两个关键问题：首先，序列在长度和内容上往往具有异质性，因随机用户行为而呈现出噪声。将此类序列作为引导可能阻碍 DMs 更准确地理解用户兴趣。其次，DMs 容易受数据偏好影响，倾向于仅生成训练数据集中占主导地位的热门物品，从而无法满足不同用户的个性化需求。为解决这些问题，我们提出了面向扩散序列推荐的杰出量化引导 (DiQDiff)，旨在提取稳健的引导以理解用户兴趣，并在 DMs 中为个性化用户兴趣生成杰出物品。为提取稳健引导，DiQDiff 引入语义向量量化 (SVQ) 通过 codebook 对序列进行量化为语义向量（如协同信号和类别兴趣），以丰富引导以更好地理解用户兴趣。为生成杰出物品，DiQDiff 通过对比性差异最大化 (CDM) 实现个性化生成，该方法通过对比损失最大化去噪轨迹之间的距离，以防止针对不同用户的偏好生成。我们在四个广泛使用的数据集上进行了大量实验，DiQDiff 在序列推荐任务中优于主流方法的优异表现表明其在序列推荐任务中的有效性。
引用
@article{arxiv.2501.17670,
title = {Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation},
author = {Wenyu Mao and Shuchang Liu and Haoyang Liu and Haozhe Liu and Xiang Li and Lantao Hu},
journal= {arXiv preprint arXiv:2501.17670},
year = {2025}
}