超图增强知识树提示学习用于下一篮推荐
信息检索
2023-12-27 v1 人工智能
摘要
下一篮推荐 (NBR) 旨在根据相应的购物篮序列推断下一个购物篮中的物品。现有的 NBR 方法主要基于普通图中的消息传递或购物篮序列中的转移建模。然而，这些方法仅考虑点对点的二元物品关系，而现实场景中的物品依赖往往是高阶的。此外，由于用户偏好的变化，同一物品对不同用户的重要性各不相同，且物品之间的关系通常涉及多个方面。由于预训练语言模型 (PLMs) 在自然语言处理 (NLP) 和计算机视觉 (CV) 的多项任务中表现出色，许多研究人员致力于利用 PLMs 提升推荐效果。然而，现有的基于 PLM 的推荐方法在遇到未登录词 (OOV) 物品时性能会下降。OOV 物品是指其 ID 超出 PLM 词汇表从而无法被 PLM 理解的物品。为了解决上述挑战，我们提出了一种新方法 HEKP4NBR，该方法将知识图谱 (KG) 转换为提示，即知识树提示 (KTP)，以帮助 PLM 对用户购物篮序列中的 OOV 物品 ID 进行编码。设计了一个超图卷积模块，基于由 MoE 模型从多个方面测量的物品相似度构建超图，然后在超图上运用卷积来建模多个物品之间的相关性。在两个基于真实公司数据的数据集上对 HEKP4NBR 进行了大量实验，验证了其相对于多种最先进方法的有效性。
引用
@article{arxiv.2312.15851,
title = {Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation},
author = {Zi-Feng Mai and Chang-Dong Wang and Zhongjie Zeng and Ya Li and Jiaquan Chen and Philip S. Yu},
journal= {arXiv preprint arXiv:2312.15851},
year = {2023}
}