用于序列推荐的图掩码自编码器
信息检索
2023-06-02 v3 人工智能
摘要
尽管一些强大的神经网络架构（如 Transformer、图神经网络）通过高阶物品依赖建模在序列推荐中取得了改进性能，但它们在标签稀缺场景下可能表征能力不佳。为解决标签不足的问题，对比学习（CL）近期在诸多方法中备受关注，其通过嵌入对比进行数据增强以实现自监督。然而，由于其对比视图生成策略的手工设计性质，现有的 CL 增强模型 i) 难以在多样的序列推荐任务上取得一致性能；ii) 可能无法免受用户行为数据噪声影响。有鉴于此，我们提出一种简单而有效的图掩码自编码器增强的序列推荐系统（MAERec），其自适应且动态地提炼全局物品转移信息用于自监督增强。它自然避免了上述严重依赖构建高质量嵌入对比视图的问题。相反，我们设计了一种自适应数据重构范式，与长距离物品依赖建模相集成，以在序列推荐中进行信息性增强。大量实验表明，我们的方法显著优于最先进的基线模型，且能针对数据噪声与稀疏性学习更准确的表征。我们实现的模型代码见 https://github.com/HKUDS/MAERec。
引用
@article{arxiv.2305.04619,
title = {Graph Masked Autoencoder for Sequential Recommendation},
author = {Yaowen Ye and Lianghao Xia and Chao Huang},
journal= {arXiv preprint arXiv:2305.04619},
year = {2023}
}
备注
This paper has been published as a full paper at SIGIR 2023