滤波增强的 MLP 即为序列推荐所需的一切
信息检索
2022-03-01 v1 人工智能
摘要
近来，RNN、CNN 和 Transformer 等深度神经网络已被应用于序列推荐任务，旨在从记录的用户行为数据中捕捉动态偏好特征以实现精准推荐。然而，在线平台中记录的用户行为数据不可避免地含有噪声，且深度推荐模型易在这些记录数据上过拟合。为应对该问题，我们从信号处理中滤波算法可衰减频域噪声的思想借鉴思路。在我们的实证实验中，发现滤波算法能大幅改进具代表性的序列推荐模型，且将简单滤波算法（如带阻滤波器）与全 MLP 架构结合甚至优于具竞争力的基于 Transformer 的模型。受此启发，我们提出 \textbf{FMLP-Rec}，一种用于序列推荐任务、带可学习滤波器的全 MLP 模型。全 MLP 架构赋予模型更低时间复杂度，可学习滤波器能自适应衰减频域中的噪声信息。在八个真实世界数据集上开展的广泛实验证明了我们所提方法相对于具竞争力的基于 RNN、CNN、GNN 和 Transformer 的方法的优越性。我们的代码与数据公开于链接：\textcolor{blue}{\url{https://github.com/RUCAIBox/FMLP-Rec}}。
引用
@article{arxiv.2202.13556,
title = {Filter-enhanced MLP is All You Need for Sequential Recommendation},
author = {Kun Zhou and Hui Yu and Wayne Xin Zhao and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2202.13556},
year = {2022}
}
备注
12 pages, Accepted by WWW 2022