面向序列推荐的知识提示微调
信息检索
2023-08-17 v1 人工智能
摘要
预训练语言模型（PLMs）在序列推荐（SR）中已展现出强劲性能，其被用于提取通用知识。然而，现有方法仍缺乏领域知识，且难以捕捉用户的细粒度偏好。同时，许多传统 SR 方法通过融合辅助信息来改善该问题，却面临信息丢失的困扰。综上，我们认为一个好的推荐系统应同时利用通用知识与领域知识。因此，我们引入外部知识库，并提出面向序列推荐的知识提示微调（Knowledge Prompt-tuning for Sequential Recommendation, KP4SR）。具体而言，我们构建了一组关系模板，并将结构化的知识图谱（KG）转化为知识提示，以解决语义鸿沟问题。然而，知识提示破坏了原始数据结构并引入了大量噪声。我们进一步构建知识树并提出知识树掩码，以掩码矩阵形式恢复数据结构，从而缓解噪声问题。我们在三个真实数据集上评估 KP4SR，实验结果表明我们的方法在多个评价指标上优于最先进（state-of-the-art）方法。具体而言，与基于 PLM 的方法相比，我们的方法在书籍数据集上使 NDCG@5 和 HR@5 分别提升 40.65% 和 36.42%，在音乐数据集上分别提升 11.17% 和 11.47%，在电影数据集上分别提升 22.17% 和 19.14%。我们的代码公开于链接：https://github.com/zhaijianyang/KP4SR。
引用
@article{arxiv.2308.08459,
title = {Knowledge Prompt-tuning for Sequential Recommendation},
author = {Jianyang Zhai and Xiawu Zheng and Chang-Dong Wang and Hui Li and Yonghong Tian},
journal= {arXiv preprint arXiv:2308.08459},
year = {2023}
}