面向推荐中意图学习的端到端可学习聚类方法
信息检索
2024-11-12 v5 人工智能
摘要
意图学习旨在学习用户意图以理解用户并推荐物品，近年来已成为研究热点。然而，现有方法存在复杂且繁琐的交替优化问题，限制了性能与可扩展性。为此，我们提出一种新颖的意图学习方法 ELCRec，将行为表征学习统一到端到端可学习聚类框架中，以实现高效且有效的推荐。具体而言，我们对用户行为序列进行编码，并将聚类中心（潜在意图）初始化为可学习神经元。然后，我们设计了一个新颖的可学习聚类模块来分离不同的聚类中心，从而解耦用户的复杂意图。同时，它通过迫使行为嵌入靠近聚类中心，引导网络从行为中学习意图。这使得可以通过小批量数据同时优化推荐与聚类。此外，我们提出以聚类中心作为自监督信号的意图辅助对比学习，进一步增强相互促进。实验结果和理论分析从六个角度证明了 ELCRec 的优越性。与次优方法相比，ELCRec 在 Beauty 数据集上将 NDCG@5 提升了 8.9%，并将计算成本降低了 22.5%。此外，由于可扩展性和通用适用性，我们将该方法部署到拥有 1.3 亿页面浏览量的工业推荐系统中，并取得了可喜的成果。代码可在 GitHub 获取 (https://github.com/yueliu1999/ELCRec)。深度群组推荐/意图学习方法的合集（论文、代码、数据集）可在 GitHub 获取 (https://github.com/yueliu1999/Awesome-Deep-Group-Recommendation)。
引用
@article{arxiv.2401.05975,
title = {End-to-end Learnable Clustering for Intent Learning in Recommendation},
author = {Yue Liu and Shihao Zhu and Jun Xia and Yingwei Ma and Jian Ma and Xinwang Liu and Shengju Yu and Kejun Zhang and Wenliang Zhong},
journal= {arXiv preprint arXiv:2401.05975},
year = {2024}
}
备注
37 pages