面向序列推荐的具有自监督的双尺度兴趣提取框架
信息检索
2023-10-17 v1
摘要
在序列推荐任务中，推荐系统通常从用户的历史行为中学习多个嵌入，以捕捉用户多样化的兴趣。然而，现有方法仅为相应的子序列独立提取每个兴趣，而忽略了整个交互序列的全局关联，这可能无法捕捉用户对潜在兴趣泛化的内在偏好，并不可避免地使推荐物品与历史行为同质化。本文提出一种新颖的双尺度兴趣提取框架（DSIE）来精确估计用户的当前兴趣。具体而言，DSIE在全局尺度上通过对比学习对用户整个交互序列进行注意力建模，显式刻画用户的内在偏好，并在局部尺度上以细粒度捕捉用户多样化的兴趣。此外，我们设计了一种新颖的兴趣聚合模块，根据内在偏好整合多兴趣，生成用户当前兴趣用于下一物品预测。在三个真实基准数据集上的实验表明，DSIE在推荐准确性和新颖性方面优于最先进的模型。
引用
@article{arxiv.2310.10025,
title = {Dual-Scale Interest Extraction Framework with Self-Supervision for Sequential Recommendation},
author = {Liangliang Chen and Hongzhan Lin and Jinshan Ma and Guang Chen},
journal= {arXiv preprint arXiv:2310.10025},
year = {2023}
}