面向新颖推荐的意图解耦与特征自监督
信息检索
2022-10-11 v1
摘要
推荐系统的一个关键特性是用户-物品交互中的长尾分布，其中大多数物品仅有少量用户反馈。改进尾部物品的推荐可促进新颖性，并为用户与提供者带来积极影响，因此是推荐系统所期望的特性。当前的新颖推荐研究过度强调尾部物品的重要性，而未区分用户对流行度的意图程度，常导致准确率急剧下降。此外，现有方法均未考虑尾部物品的极端情况，即无任何交互的冷启动物品。在本工作中，我们首次通过将对流行或小众物品的交互意图解耦为从众影响（流行度）与个人兴趣（偏好），揭示其驱动机制。我们随后提出一个统一的端到端框架，基于解耦的流行度意图与偏好意图同时优化准确率与新奇性目标。我们进一步为冷启动物品的新颖推荐开发了一种利用自监督学习技术建模协同特征与内容特征之间关联的新范式。我们在三个真实世界数据集上进行了充分的实验。结果表明，我们所提模型在准确率、新颖性、覆盖率和权衡方面均显著优于最先进的基线方法。
引用
@article{arxiv.2106.14388,
title = {Intent Disentanglement and Feature Self-supervision for Novel Recommendation},
author = {Tieyun Qian and Yile Liang and Qing Li and Xuan Ma and Ke Sun and Zhiyong Peng},
journal= {arXiv preprint arXiv:2106.14388},
year = {2022}
}