通过 Atten-Mixer 网络高效利用多级用户意图的会话推荐
信息检索
2023-10-12 v4
摘要
会话推荐（SBR）旨在基于短且动态的会话预测用户的下一个动作。近来，利用各种精心设计的图神经网络（GNN）捕捉物品间成对关系的兴趣日益增长，似乎暗示设计更复杂的模型是提升经验性能的万灵药。然而，这些模型在模型复杂度指数增长下仅取得相对微小的改进。本文中，我们剖析经典的基于 GNN 的 SBR 模型，并经验性地发现给定读出模块在基于 GNN 的模型中起重要作用时，某些复杂 GNN 传播是冗余的。基于该观察，我们直观地提议移除 GNN 传播部分，而读出模块将在模型推理过程中承担更多责任。为此，我们提出多级注意力混合网络（Atten-Mixer），其利用概念视图与实例视图读出实现对物品转移的多级推理。由于简单枚举所有可能的高级概念对于大型真实推荐系统不可行，我们进一步引入 SBR 相关的归纳偏置，即局部不变性与内在优先级，以剪枝搜索空间。在三个基准上的实验证明了我们方法的有效性与高效性。我们也自 2021 年 4 月起已将所提技术部署于大规模电商在线服务，在线实时流量实验中展示了顶级业务指标的显著提升。
引用
@article{arxiv.2206.12781,
title = {Efficiently Leveraging Multi-level User Intent for Session-based Recommendation via Atten-Mixer Network},
author = {Peiyan Zhang and Jiayan Guo and Chaozhuo Li and Yueqi Xie and Jaeboum Kim and Yan Zhang and Xing Xie and Haohan Wang and Sunghun Kim},
journal= {arXiv preprint arXiv:2206.12781},
year = {2023}
}