利用多模态特征与物品级用户反馈进行捆绑构造
信息检索
2023-10-31 v1 多媒体
摘要
自动捆绑构造是各种捆绑感知在线服务中的关键前置步骤。先前的方法大多旨在对现有捆绑包的捆绑策略进行建模。然而，很难获取大规模精心整理的捆绑数据集，尤其是对于那些此前未提供捆绑服务的平台。即便对于具有成熟捆绑服务的平台，仍有许多物品仅被极少甚至零个捆绑包包含，这在捆绑构造模型中引发了稀疏性与冷启动挑战。为解决这些问题，我们的目标是通过利用多模态特征、物品级用户反馈信号以及捆绑组合信息，实现对捆绑构造的全面建模。然而，这种建模带来了两个新技术挑战：1）如何通过最优统一多种特征来学习有效表示；2）如何解决由不完整查询捆绑包引发的模态缺失、噪声与稀疏性问题。在本工作中，为应对这些技术挑战，我们提出了一种对比学习增强的层次化编码器方法（CLHE）。具体而言，我们使用自注意力模块来组合多模态与多物品特征，然后利用物品级与捆绑级对比学习来增强表示学习，从而应对模态缺失、噪声与稀疏性问题。在两个应用域的四个数据集上的大量实验表明，我们的方法优于一系列 SOTA 方法。代码与数据集可在 https://github.com/Xiaohao-Liu/CLHE 获取。
引用
@article{arxiv.2310.18770,
title = {Leveraging Multimodal Features and Item-level User Feedback for Bundle Construction},
author = {Yunshan Ma and Xiaohao Liu and Yinwei Wei and Zhulin Tao and Xiang Wang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2310.18770},
year = {2023}
}