END4Rec：高效噪声分离的多行为序列推荐
信息检索
2024-03-27 v1
摘要
在推荐系统中，用户经常参与多种类型的行为，例如点击、添加购物车和购买。然而，随着行为数据的多样化，用户行为序列在短期内会变得非常长，这给序列推荐模型的效率带来了挑战。同时，某些行为数据也会不可避免地引入噪声，影响用户兴趣的建模。为了解决上述问题，首先，我们开发了高效行为序列矿工（EBM），在保持低时间复杂度和参数数量的同时，高效捕获用户行为中的复杂模式。其次，我们为不同类型的噪声设计硬噪声和软噪声模块，充分探索行为与噪声之间的关系。最后，我们引入对比损失函数和引导训练策略，将数据中的有效信息与噪声信号进行比较，无缝集成两种噪声处理过程，以实现对噪声信号的高度解耦。大量在真实数据集上的实验表明，我们的方法在处理多行为序列推荐方面有效且高效。
引用
@article{arxiv.2403.17603,
title = {END4Rec: Efficient Noise-Decoupling for Multi-Behavior Sequential Recommendation},
author = {Yongqiang Han and Hao Wang and Kefan Wang and Likang Wu and Zhi Li and Wei Guo and Yong Liu and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2403.17603},
year = {2024}
}