面向序列推荐的意图对比学习
人工智能
2022-02-08 v1
摘要
用户与物品的交互由各种意图驱动（例如，准备节日礼物、购买钓鱼装备等）。然而，用户的潜在意图通常是未观测到/隐性的，这使得利用此类潜在意图进行序列推荐（SR）具有挑战性。为探究潜在意图的益处并有效利用其进行推荐，我们提出意图对比学习（ICL），一种将潜在意图变量引入SR的通用学习范式。其核心思想是从无标签用户行为序列中学习用户意图分布函数，并通过考虑所学意图、以对比自监督学习（SSL）优化SR模型以改进推荐。具体而言，我们引入一个潜在变量表示用户意图，并通过聚类学习该潜在变量的分布函数。我们提出通过对比SSL将所学意图引入SR模型，该方法最大化序列视图与其对应意图之间的一致性。在广义期望最大化（EM）框架内，训练在意图表示学习与SR模型优化步骤之间交替进行。将用户意图信息融合进SR也提升了模型的鲁棒性。在四个真实世界数据集上的实验证明了所提学习范式的优越性，其提升了性能，并增强了对数据稀疏与噪声交互问题的鲁棒性。
引用
@article{arxiv.2202.02519,
title = {Intent Contrastive Learning for Sequential Recommendation},
author = {Yongjun Chen and Zhiwei Liu and Jia Li and Julian McAuley and Caiming Xiong},
journal= {arXiv preprint arXiv:2202.02519},
year = {2022}
}