面向多行为推荐的超元路径对比学习
信息检索
2022-01-20 v1 机器学习
摘要
利用多行为信息进行用户购买预测仍是当前推荐系统面临的一个挑战性问题。已有多种方法通过借助图神经网络（GNNs）或多任务学习的优势来解决该问题。然而，大多数现有工作未考虑用户不同行为之间复杂的依赖关系。它们使用简单且固定的方案（如邻域信息聚合或向量数学计算）来融合不同用户行为的嵌入，以获得统一嵌入来表示用户的行为模式，并用于下游推荐任务。为应对这一挑战，本文首先提出超元路径（hyper meta-path）的概念，构建超元路径或超元图，以显式刻画用户不同行为间的依赖关系。如何从超元路径获得用户的统一嵌入，同时避免前述局限，是关键问题。得益于图对比学习近期的成功，我们利用它自适应地学习用户行为模式的嵌入，而非采用固定方案来理解不同行为间的依赖。通过耦合超元路径，我们提出一种基于图对比学习的新框架，即 HMG-CR，在大量对比实验中持续且显著优于所有基线方法。
引用
@article{arxiv.2109.02859,
title = {Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation},
author = {Haoran Yang and Hongxu Chen and Lin Li and Philip S. Yu and Guandong Xu},
journal= {arXiv preprint arXiv:2109.02859},
year = {2022}
}
备注
Accepted by ICDM 2021 as a regular paper