面向基于会话的推荐的线性项目-项目模型与神经知识
信息检索
2025-04-22 v1
摘要
基于会话的推荐 (SBR) 旨在通过建模会话内的短期交互来预测用户后续动作。现有神经模型主要专注于捕获用于顺序项目转换的复杂依赖关系。作为一种替代方案，线性项目-项目模型主要识别项目之间强共现模式并支持更快的推断速度。虽然两种范式在SBR中都受到积极研究，但在捕获项目关系方面的根本差异以及如何有效地将这些不同建模范式桥接起来仍未得到探索。在本文中，我们提出一种新型SBR模型，称为线性项目-项目模型与神经知识 (LINK)，将两种类型的知识集成到统一的线性框架中。具体而言，我们设计了LINK的两个专用组件：(i) 线性知识增强项目-项目相似度模型 (LIS)，通过自教学细化项目相似度相关性；(ii) 神经知识增强项目-项目转换模型 (NIT)，无缝整合来自现成神经模型的复杂神经知识。广泛的实验表明，LINK在六个真实世界数据集上超越了最先进的线性SBR模型，在Recall@20和MRR@20方面分别实现了最高可达14.78%和11.04%的提升，推理 FLOPs 最多可减少813倍。我们的代码可在 https://github.com/jin530/LINK 获取。
引用
@article{arxiv.2504.15057,
title = {Linear Item-Item Model with Neural Knowledge for Session-based Recommendation},
author = {Minjin Choi and Sunkyung Lee and Seongmin Park and Jongwuk Lee},
journal= {arXiv preprint arXiv:2504.15057},
year = {2025}
}
备注
SIGIR 2025, 9 pages