GENET：通过超图预训练释放辅助信息在推荐系统中的威力
信息检索
2025-03-05 v2
摘要
带辅助信息的推荐因其缓解用户反馈稀疏性的潜力而引发显著研究兴趣。然而，现有模型难以在多样领域与各类辅助信息间泛化。具体而言，三个未解决的挑战是：(1) 辅助信息的多样格式，包括文本序列。(2) 辅助信息的多样语义，其在不同于推荐系统的语境中从多层次描述物品与用户。(3) 辅助信息中的多样关联，用以度量超越成对关系的多对象间相似性。在本文中，我们引入 GENET (Generalized hypErgraph pretraiNing on sidE informaTion)，其在与反馈无关的辅助信息上预训练用户与物品表示，并在用户反馈数据上微调表示。GENET 利用预训练作为防止辅助信息掩盖关键 ID 特征与反馈信号的手段。它采用超图框架以容纳各类多样辅助信息。预训练期间，GENET 整合超链接预测与自监督对比任务，以在局部与全局层面捕获细粒度语义。此外，它引入一种独特策略，通过对正样本扰动同时保持高阶关系来增强预训练鲁棒性。大量实验表明 GENET 展现强泛化能力，在含不同辅助信息的多数据集上，TOP-N 推荐与序列推荐任务中较 SOTA 方法最高高出 38%。
引用
@article{arxiv.2311.13121,
title = {GENET: Unleashing the Power of Side Information for Recommendation via Hypergraph Pre-training},
author = {Yang Li and Qi'ao Zhao and Chen Lin and Zhenjie Zhang and Xiaomin Zhu and Jinsong Su},
journal= {arXiv preprint arXiv:2311.13121},
year = {2025}
}