生成你所偏好：通过引导扩散重塑序列推荐
信息检索
2023-11-01 v1
摘要
序列推荐旨在基于用户之前交互过的物品序列，推荐符合其兴趣的下一个物品。审视以往研究，我们可以总结出一种常见的学习分类范式——给定一个正样本物品，推荐模型进行负采样以添加负样本物品，并基于用户的历史交互序列学习分类用户是否偏好它们。尽管有效，我们揭示了两个固有局限：(1) 它可能不同于人类行为，因为用户可以在脑海中想象一个理想物品并选择与之匹配的潜在物品；且 (2) 分类受限于候选池，并从负样本中获得含噪声或简单的监督，这稀释了朝向理想物品的偏好信号。然而，从历史交互序列生成理想物品在很大程度上未被探索。为弥补这一差距，我们将序列推荐重塑为学习生成范式，通过一种称为DreamRec的引导扩散模型实现。具体而言，对于历史物品序列，它应用Transformer编码器创建引导表示。对目标物品加噪探索了物品空间的潜在分布；然后，在历史交互的引导下，去噪过程生成理想物品以恢复正样本物品，从而摆脱负采样并直接刻画用户的真实偏好。我们通过大量实验和与现有方法的比较评估了DreamRec的有效性。代码和数据已开源至 https://github.com/YangZhengyi98/DreamRec。
关键词
引用
@article{arxiv.2310.20453,
title = {Generate What You Prefer: Reshaping Sequential Recommendation via Guided Diffusion},
author = {Zhengyi Yang and Jiancan Wu and Zhicai Wang and Xiang Wang and Yancheng Yuan and Xiangnan He},
journal= {arXiv preprint arXiv:2310.20453},
year = {2023}
}