基于校准的长尾会话推荐
信息检索
2022-10-24 v7
摘要
会话推荐中的准确预测已取得进展，但少数研究关注由流行度偏差引起的推荐列表偏斜问题。现有缓解流行度偏差的模型试图通过放大较不受欢迎项目的分数来减少热门项目的过度集中。然而，它们通常忽略用户对长尾项目的不同偏好。因此，我们引入校准，其中经校准的推荐以适当比例在推荐列表中反映用户兴趣，从用户角度缓解流行度偏差。具体而言，我们提出一个校准模块，从会话表示中预测推荐列表中长尾项目的比例，并使其与当前会话对齐。此外，我们采用两阶段课程训练策略来改进校准模块中的预测。在基准数据集上的实验表明，我们的模型既能取得有竞争力的推荐准确率，又能提供更多长尾项目。
引用
@article{arxiv.2112.02581,
title = {Long-Tail Session-based Recommendation from Calibration},
author = {Jiayi Chen and Wen Wu and Wei Zheng and Liang He},
journal= {arXiv preprint arXiv:2112.02581},
year = {2022}
}