通过解耦图对比学习实现意图感知推荐
信息检索
2024-03-07 v1
摘要
基于图神经网络 (GNN) 的推荐系统由于从用户行为数据中强大的学习能力，已成为主流趋势之一。从行为数据中理解用户意图是推荐系统的关键，这对基于 GNN 的推荐系统提出了两个基本要求。一是如何学习复杂多样的意图，特别是在现实中用户行为通常不足的情况下。二是不同行为具有不同的意图分布，因此如何建立它们之间的关系以构建更具可解释性的推荐系统。在本文中，我们提出了通过解耦图对比学习实现意图感知推荐 (IDCL)，它同时学习可解释的意图及其上的行为分布。具体而言，我们首先将用户行为数据建模为用户 - 物品 - 概念图，并设计了一个基于 GNN 的行为解耦模块来学习不同的意图。然后，我们提出了意图级对比学习，以增强意图解耦并同时推断行为分布。最后，引入编码率降低正则化，使不同意图的行为正交。大量实验证明了 IDCL 在显著提升和可解释性方面的有效性。
引用
@article{arxiv.2403.03714,
title = {Intent-aware Recommendation via Disentangled Graph Contrastive Learning},
author = {Yuling Wang and Xiao Wang and Xiangzhou Huang and Yanhua Yu and Haoyang Li and Mengdi Zhang and Zirui Guo and Wei Wu},
journal= {arXiv preprint arXiv:2403.03714},
year = {2024}
}
备注
Accepted by IJCAI 2023