面向序列推荐的双曲超图
社会与信息网络
2021-08-19 v1
摘要
超图已成为推荐系统中建模复杂、非成对及高阶交互的流行选择。然而，相较于传统基于图的方法，所构造的超图通常稀疏得多，这导致在平衡超图收益与建模难度之间陷入两难。此外，现有序列超图推荐忽略了用户关系间的时间建模，忽视了推荐数据中丰富的社交信号。为应对现有基于超图的序列推荐的上述缺陷，我们提出了一种名为面向序列推荐的双曲超图表示学习方法（H2SeqRec）并带预训练阶段的新架构。具体而言，我们设计了三个自监督任务以获得预训练物品嵌入，将其输入或融合进后续推荐架构（使用预训练嵌入有两种方式）。在推荐阶段，我们通过层次结构学习多尺度物品嵌入以捕获多时间跨度信息。为缓解稀疏超图的负面影响，我们利用基于双曲空间的超图卷积神经网络学习动态物品嵌入。同时，我们设计了一个物品增强模块，在每个时间戳捕获动态社交信息以提升效果。在两个真实世界数据集上进行了大量实验，证明了模型的有效性与高性能。
引用
@article{arxiv.2108.08134,
title = {Hyperbolic Hypergraphs for Sequential Recommendation},
author = {Yicong Li and Hongxu Chen and Xiangguo Sun and Zhenchao Sun and Lin Li and Lizhen Cui and Philip S. Yu and Guandong Xu},
journal= {arXiv preprint arXiv:2108.08134},
year = {2021}
}