改进的多样性促进式协同度量学习用于推荐
信息检索
2024-09-04 v1 机器学习
摘要
协同度量学习 (CML) 最近在推荐系统 (RS) 中大放异彩，弥合了度量学习与协同过滤之间的差距。遵循 RS 的惯例，现有做法在模型设计中利用用户的唯一表示。本文聚焦于一个具有挑战性的场景，即用户拥有多个兴趣类别。在此设置下，唯一的用户表示可能会引发偏好偏差，尤其是在物品类别分布不平衡时。为解决此问题，我们提出一种新方法，称为 多样性促进式协同度量学习 (DPCML)，旨在考虑被忽视的少数派用户兴趣。DPCML 的关键思想是为每个用户引入一组多个表示，其中用户对物品的偏好通过在其嵌入集中取最小物品-用户距离来聚合。具体而言，我们实例化了两种有效的分配策略，以探索每个用户的适当数量的向量。同时，开发了一种 多样性控制正则化方案 (DCRS) 来更好地适应多向量表示策略。理论上，我们证明 DPCML 可导致低于传统 CML 的更小泛化误差。此外，我们注意到 CML 基于方法通常需要负采样来减少其中的成对目标所致的沉重计算负担。本文从 One-Way Partial AUC (OPAUC) 的角度揭示了广泛采用的硬性意识采样的根本局限，并为 CML 范式开发了有效的采样替代方案。最后，在多个基准数据集上的全面实验表明 DPCML 的有效性。代码可在 \url{https://github.com/statusrank/LibCML} 获取。
引用
@article{arxiv.2409.01012,
title = {Improved Diversity-Promoting Collaborative Metric Learning for Recommendation},
author = {Shilong Bao and Qianqian Xu and Zhiyong Yang and Yuan He and Xiaochun Cao and Qingming Huang},
journal= {arXiv preprint arXiv:2409.01012},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2209.15292