通过交替训练增强基于会话的推荐中的ID与文本融合
信息检索
2024-02-15 v1 人工智能
摘要
近年来，基于会话的推荐因其旨在根据用户在会话内的历史行为提供定制化建议而受到越来越多的关注。为了推动该领域的发展，人们开发了多种方法，其中基于ID的方法通常表现出有前景的性能。然而，这些方法常常面临长尾物品的挑战，并忽略了其他丰富的信息形式，特别是有价值的文本语义信息。为了整合文本信息，人们引入了各种方法，大多遵循一种朴素的融合框架。令人惊讶的是，我们观察到，遵循朴素融合框架融合这两种模态并不总能持续优于最佳的单模态。进一步的研究揭示了朴素融合中一个潜在的不平衡问题：ID模态占主导地位，而文本模态训练不足。这表明，意外的观察结果可能源于朴素融合未能有效平衡这两种模态，常常过度依赖更强的ID模态。这一见解表明，朴素融合在结合ID和文本方面可能不如先前预期的那样有效。为了解决这个问题，我们提出了一种新颖的交替训练策略AlterRec。它将ID和文本的训练分开，从而避免了朴素融合中出现的不平衡问题。此外，AlterRec设计了一种新颖的策略来促进两种模态之间的交互，使它们能够相互学习并更有效地整合文本。全面的实验证明了AlterRec在基于会话的推荐中的有效性。代码实现可在https://github.com/Juanhui28/AlterRec获取。
引用
@article{arxiv.2402.08921,
title = {Enhancing ID and Text Fusion via Alternative Training in Session-based Recommendation},
author = {Juanhui Li and Haoyu Han and Zhikai Chen and Harry Shomer and Wei Jin and Amin Javari and Jiliang Tang},
journal= {arXiv preprint arXiv:2402.08921},
year = {2024}
}