GIMIRec：面向序列推荐的全域交互信息感知多兴趣框架
信息检索
2021-12-17 v1 人工智能
摘要
基于多兴趣框架的序列推荐将用户近期交互序列建模为多个不同的兴趣向量，因为单一低维向量无法充分表示用户兴趣的多样性。然而，大多数现有模型仅截取用户近期交互行为作为训练数据，丢弃了大量历史交互序列。这可能引发两方面问题：一方面，反映用户多种兴趣的数据缺失；另一方面，历史用户-物品交互中物品间的共现未被充分挖掘。为解决这两方面的问题，本文提出一种新颖的序列推荐模型，称为“面向序列推荐的全域交互感知多兴趣框架（GIMIRec）”。具体而言，首先提出一个不引入任何外部信息的全域上下文提取模块，其基于所有用户历史交互序列中每对物品的受限共现次数及时间间隔计算加权共现矩阵，并通过简化图卷积得到每个物品的全局上下文嵌入。其次，捕捉每个用户近期交互序列中每对物品的时间间隔，并将其与全局上下文物品嵌入结合以获得个性化物品嵌入。最后，应用基于自注意力的多兴趣框架来学习用户多样兴趣以进行序列推荐。在 Amazon-Books、Taobao-Buy 和 Amazon-Hybrid 三个真实数据集上的大量实验表明，GIMIRec 在 Recall、NDCG 和 Hit Rate 指标上的性能显著优于最先进方法。此外，所提出的全局上下文提取模块可轻松移植至大多数序列推荐模型。
引用
@article{arxiv.2112.08717,
title = {GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation},
author = {Jie Zhang and Ke-Jia Chen and Jingqiang Chen},
journal= {arXiv preprint arXiv:2112.08717},
year = {2021}
}