面向序列推荐的解释引导对比学习
信息检索
2022-09-07 v1
摘要
近来,对比学习被应用于序列推荐任务,以解决由交互物品较少的用户与采纳用户较少的物品所导致的数据稀疏问题。然而,现有基于对比学习的方法无法确保通过对给定锚用户序列进行随机增强(或序列采样)所获得的正(或负)序列在语义上仍相似(或不同)。当正序列与负序列分别成为假正与假负时,可能导致推荐性能下降。本工作中,我们提出解释引导增强(EGA)与面向序列推荐的解释引导对比学习(EC4SRec)模型框架来解决上述问题。EGA 的核心思想是利用解释方法确定用户序列中物品的重要性,并据此导出正、负序列。EC4SRec 进而在 EGA 操作生成的正、负序列上结合自监督与监督对比学习,以改进序列表示学习从而获得更精准的推荐结果。在四个真实基准数据集上的大量实验表明,EC4SRec 优于最先进的序列推荐方法以及两种近期基于对比学习的序列推荐方法 CL4SRec 和 DuoRec。我们的实验还显示,EC4SRec 可轻松适配不同的序列编码器骨干(如 GRU4Rec 和 Caser),并提升其推荐性能。
引用
@article{arxiv.2209.01347,
title = {Explanation Guided Contrastive Learning for Sequential Recommendation},
author = {Lei Wang and Ee-Peng Lim and Zhiwei Liu and Tianxiang Zhao},
journal= {arXiv preprint arXiv:2209.01347},
year = {2022}
}
备注
CIKM 2022