DRGame：面向多类别电子游戏且兼顾均衡隐式偏好的多样化推荐
信息检索
2023-08-31 v1
摘要
订阅制游戏消费模式的日益普及凸显了提供多样化推荐的重要性。为用户提供丰富多样的游戏对于维持其持续参与度和促进长期订阅至关重要。然而，现有推荐模型在有效处理游戏交互中高度不平衡的隐式反馈方面面临挑战，且难以兼顾多类别的显著特征以及与之相关的潜在用户兴趣。为应对这些挑战，我们提出一种名为 DRGame 的新框架以获取多样化推荐。该框架以多类别电子游戏为核心，由两个组件构成：用于数据预处理的平衡驱动隐式偏好学习，以及用于最终预测的基于聚类的多样化推荐模块。第一个模块旨在实现游戏时长中隐式反馈的均衡表示，从而发掘玩家跨类别兴趣的全面视图。第二个模块采用类别感知表示学习，基于均衡隐式偏好对玩家和游戏进行聚类与筛选，随后利用非对称邻居聚合实现多样化推荐。在真实数据集上的实验结果表明，我们所提方法在游戏多样性推荐方面优于现有方法。
引用
@article{arxiv.2308.15823,
title = {DRGame: Diversified Recommendation for Multi-category Video Games with Balanced Implicit Preferences},
author = {Kangzhe Liu and Jianghong Ma and Shanshan Feng and Haijun Zhang and Zhao Zhang},
journal= {arXiv preprint arXiv:2308.15823},
year = {2023}
}