面向标签增强推荐的意图感知多源对比对齐

为了提供准确且多样的推荐服务，近期的方法使用辅助信息来促进用户和物品表示的学习过程。许多 SOTA 方法将不同来源的信息（用户、物品、知识图谱、标签等）融合到一个图中，并使用图神经网络通过消息传递范式引入辅助信息。在本工作中，我们寻求一种轻量且有效的替代框架，通过跨不同信息源（特别是通常可获取的物品标签信息）的自监督学习来实现。我们使用自监督信号将用户与他们之前交互过的物品相关联的辅助信息进行配对。为实现该配对，我们创建了一个代理训练任务。对于给定物品，模型预测与该物品交互过的用户所获得的表示与所分配标签之间的正确配对。这种设计提供了一种高效的解决方案，直接使用辅助信息来增强用户和物品嵌入的质量。推荐系统中的用户行为是由决策过程背后的许多因素的复杂交互所驱动的。为了使配对过程更加细粒度并避免嵌入坍缩，我们提出了一种意图感知的自监督配对过程，将用户嵌入拆分为多个子嵌入向量。每个子嵌入向量通过与特定标签簇的自监督对齐来捕获特定的用户意图。我们将设计的框架与各种推荐模型集成，展示了其灵活性和兼容性。通过与七个真实世界数据集上的众多 SOTA 方法进行比较，我们表明我们的方法能够在需要更少训练时间的同时取得更好的性能。这表明了将我们的方法应用于网络规模数据集的潜力。