面向长尾用户的混合兴趣建模
信息检索
2021-01-01 v1
摘要
用户行为建模是推荐系统的关键技术。然而，大多数方法聚焦于具有大规模交互的头部用户，因而面临数据稀疏问题。若干解决方案融合了人口统计特征、产品评论等辅助信息，另一类则是从其他丰富数据源迁移知识。我们认为，现有方法受严格的隐私政策限制，在真实应用中可扩展性低，且鲜有工作考虑长尾用户背后的行为特征。在本工作中，我们提出混合兴趣建模（HIM）网络，在推荐中学习长尾用户偏好时混合个性化兴趣与半个性化兴趣。为此，我们首先设计用户行为金字塔（UBP）模块，从稀疏甚至含噪的正反馈中捕获高置信度的细粒度个性化兴趣。此外，个体交互过于稀疏，不足以充分建模用户兴趣，我们新颖地设计用户行为聚类（UBC）模块，以自监督学习机制学习潜在用户兴趣组，从组-物品交互数据中捕获粗粒度半个性化兴趣。在公开与工业数据集上的大量实验验证了 HIM 相较最先进基线的优越性。
引用
@article{arxiv.2012.14770,
title = {Hybrid Interest Modeling for Long-tailed Users},
author = {Lifang Deng and Jin Niu and Angulia Yang and Qidi Xu and Xiang Fu and Jiandong Zhang and Anxiang Zeng},
journal= {arXiv preprint arXiv:2012.14770},
year = {2021}
}