IDNP：基于生成式神经过程建模兴趣动态用于序列推荐
信息检索
2022-08-10 v1 机器学习
摘要
近期的序列推荐模型越来越依赖于连续的短期用户-物品交互序列来建模用户兴趣。然而，这些方法引发了关于短期与长期兴趣的担忧。(1) 短期：交互序列可能并非源于单一兴趣，而是源于若干交织的兴趣，即便在短期内亦如此，导致它们无法建模跳跃行为；(2) 长期：交互序列主要稀疏地以离散间隔被观测到，而非长期连续地出现。这使得推断长期兴趣变得困难，因为只能得到离散的兴趣表示，而未考虑序列间的兴趣动态。在本研究中，我们通过学习 (1) 短期兴趣的多尺度表示；以及 (2) 感知动态的長期兴趣表示来解决这些担忧。为此，我们提出一个使用生成式神经过程(Neural Processes)的兴趣动态建模框架，称为 IDNP，从函数视角建模用户兴趣。IDNP 学习一个全局兴趣函数族，将每位用户的长期兴趣定义为一个函数实例，通过函数连续性来体现兴趣动态。具体而言，IDNP 首先将每位用户的短期交互编码为多尺度表示，随后将其概括为用户上下文。通过结合潜在全局兴趣与用户上下文，IDNP 进而重构长期用户兴趣函数，并预测在即将到来的查询时间步的交互。此外，即便交互序列有限且不连续，IDNP 也能建模此类兴趣函数。在四个真实世界数据集上的大量实验表明，我们的模型在各种评估指标上优于 SOTA 方法。
引用
@article{arxiv.2208.04600,
title = {IDNP: Interest Dynamics Modeling using Generative Neural Processes for Sequential Recommendation},
author = {Jing Du and Zesheng Ye and Lina Yao and Bin Guo and Zhiwen Yu},
journal= {arXiv preprint arXiv:2208.04600},
year = {2022}
}