各种上下文场景下推荐系统的内在因素与外在因素解耦
信息检索
2025-03-18 v2 机器学习
摘要
在推荐系统中，用户行为的模式（如购买、点击）在不同上下文（如时间和地点）中可能有很大差异。这是因为用户行为由两类因素共同决定：内在因素，反映一致的用户偏好；外在因素，反映可能因不同上下文而变化的外部激励。区分内在因素和外在因素有助于更好地理解用户行为。然而，现有研究仅考虑从单一预定义上下文（如时间或地点）中区分它们，忽略了用户的外在因素可能同时受到各种上下文之间相互作用的影响。在本文中，我们提出了内在-外在解耦推荐（IEDR）模型，这是一个通用框架，能够在同时考虑多种上下文的情况下区分内在因素与外在因素，从而实现更准确的因素区分，进而提高推荐准确性。IEDR包含一个上下文无关的对比学习组件来捕捉内在因素，以及一个解耦组件来在多种上下文的相互作用中提取外在因素。这两个组件协同工作以实现有效的因素学习。在真实数据集上的大量实验证明了IEDR在解耦因素学习方面的有效性，并通过NDCG指标将推荐准确性显著提高了多达4%。
引用
@article{arxiv.2503.03524,
title = {Intrinsic and Extrinsic Factor Disentanglement for Recommendation in Various Context Scenarios},
author = {Yixin Su and Wei Jiang and Fangquan Lin and Cheng Yang and Sarah M. Erfani and Junhao Gan and Yunxiang Zhao and Ruixuan Li and Rui Zhang},
journal= {arXiv preprint arXiv:2503.03524},
year = {2025}
}
备注
32 pages, 13 figures, 11 tables. Published on Transactions of Information Systems