面向顺序推荐的双条件扩散模型
信息检索
2025-03-19 v2 人工智能
摘要
近期扩散模型的进展在顺序推荐领域显示出前景。现有方法主要依赖隐式条件扩散模型，在前向扩散过程中将用户行为压缩为单个表示。虽然在某种程度上有效，但这种过度简化常常导致顺序和情境信息的丢失，这对于理解用户行为至关重要。此外，用户-物品交互或顺序模式等显式信息仍未被充分利用，尽管这些信息潜在地可以直接指导推荐过程并提升精度。然而， 将隐式和显式信息结合并不容易，因为需要在避免噪声和无关模式的同时动态地整合这些互补信号。为此，我们提出了用于顺序推荐的双条件扩散模型（DCRec），通过在前向和逆向扩散过程中嵌入双重条件，有效整合了隐式和显式信息。这使模型能够保留宝贵的顺序和情境信息，同时利用显式的用户-物品交互来指导推荐过程。具体而言，我们引入了双条件扩散变换器（DCDT），其采用跨注意力机制在扩散各阶段动态整合显式信号，确保情境理解并最小化无关模式的影响。该设计实现了精确且情境相关的推荐。大量实验表明，DCRec 在准确性和计算效率方面均显著优于当前最先进的方法。
引用
@article{arxiv.2410.21967,
title = {Dual Conditional Diffusion Models for Sequential Recommendation},
author = {Hongtao Huang and Chengkai Huang and Tong Yu and Xiaojun Chang and Wen Hu and Julian McAuley and Lina Yao},
journal= {arXiv preprint arXiv:2410.21967},
year = {2025}
}