面向会话推荐的层次化多任务学习框架
信息检索
2023-09-14 v1 人工智能
机器学习
摘要
尽管基于会话的推荐系统（SBRSs）已展现出优越的推荐性能，多任务学习（MTL）已被SBRSs采用以进一步提升其预测准确性和泛化能力。层次化MTL（H-MTL）在预测任务间设置层次结构，并将辅助任务的输出馈入主任务。与现有MTL框架相比，这种层次结构为主任务带来了更丰富的输入特征以及更高的预测可解释性。然而，H-MTL框架尚未在SBRSs中被研究。在本文中，我们提出HierSRec，将H-MTL架构引入SBRSs。HierSRec使用元数据感知的Transformer对给定会话进行编码，并利用会话编码执行下一类别预测（即辅助任务）。接下来，HierSRec结合类别预测结果和会话编码进行下一物品预测（即主任务）。为实现可扩展推理，HierSRec利用类别预测为每个测试样本创建紧凑的候选物品集（例如占总物品的4%）。实验表明，在两个基于会话的推荐数据集上，就下一物品预测准确性而言，HierSRec优于现有SBRSs。使用精心筛选的候选物品测量的HierSRec准确性与用全部物品计算的HierSRec准确性一致，这验证了我们通过H-MTL进行候选生成的方案的有用性。
引用
@article{arxiv.2309.06533,
title = {Hierarchical Multi-Task Learning Framework for Session-based Recommendations},
author = {Sejoon Oh and Walid Shalaby and Amir Afsharinejad and Xiquan Cui},
journal= {arXiv preprint arXiv:2309.06533},
year = {2023}
}
备注
Accepted at the 6th Workshop on Online Recommender Systems and User Modeling @ ACM RecSys 2023