利用增强损失函数改进序列推荐模型
信息检索
2023-05-23 v2 机器学习
摘要
对序列推荐模型进行基准测试以及复现/改进现有模型的兴趣日益增长。例如，Rendle等人通过调参改进了矩阵分解模型。Petrov与Macdonald开发了BERT4Rec更高效且有效的实现，解决了先前工作中BERT4Rec与SASRec性能比较的不一致。特别地，BERT4Rec与SASRec共享相似的网络结构，主要区别在于其训练目标/损失函数。因此，我们分析了序列推荐中常用损失函数的优缺点，并提出了一种利用其优势的改进损失函数。我们在两个有影响力的开源库上进行了大量实验，结果表明我们的改进损失函数显著提升了GRU4Rec、SASRec、SR-GNN与S3Rec模型的性能，显著改进了它们的基准。此外，改进后的SASRec基准在ML-1M与Beauty数据集上优于BERT4Rec，并在ML-20M与Steam数据集上取得与BERT4Rec相近的结果。我们还在Beauty数据集上复现了BERT4Rec模型的结果。最后，我们通过实验对改进损失函数的有效性给出了全面解释。我们的代码公开于https://github.com/Li-fAngyU/sequential_rec。
引用
@article{arxiv.2301.00979,
title = {Improving Sequential Recommendation Models with an Enhanced Loss Function},
author = {Fangyu Li and Shenbao Yu and Feng Zeng and Fang Yang},
journal= {arXiv preprint arXiv:2301.00979},
year = {2023}
}