基于负反馈信息的序列音乐推荐对比学习增强

现代音乐流媒体服务主要依赖推荐引擎来向用户提供内容。序列推荐——在单一会话中持续提供在上下文连贯 manner 中的新物品——是当前文献中的一个新兴主题。用户反馈——对所呈现物品的积极或消极响应——用于通过学习用户偏好来驱动内容推荐。我们将这一思想扩展到基于会话的推荐中，通过建模负面用户反馈（即跳过）于损失函数中，以提供语境连贯的音乐推荐。我们提出一种序列感知对比子任务，用于结构化会话中音乐推荐的物品嵌入，使得忽略被跳过的物品后的真实下一个正向物品在会话嵌入空间中彼此更接近，而被跳过的轨迹则与会话中的所有物品保持更远的距离。这直接影响基于 K 最近邻搜索的下一个物品推荐中的物品排序，同时也提升了真实下一个物品的排名。在三个音乐推荐数据集上，将这一任务整合到序列项目推荐的 SOTA 方法中进行实验，显示在下一个物品命中率、物品排序和跳过降序方面均表现出一致的性能提升，特别受益于用户反馈的增加。