基于木偶熊 representation learning 的推荐系统
信息检索
2024-06-12 v1
摘要
表征学习是深度神经网络推荐系统捕获用户偏好和物品特征的关键技术，需在固定维度的用户和物品向量中进行表示。在现有表征学习方法中，用户偏好和物品特征要么被统一对待，要么被划分为离散聚类，而本文指出，现实中用户偏好和物品特征本质上是以层次化方式表达和组织的，这为表征学习开辟了新方向。本文引入一种新的木偶熊表征学习方法用于推荐（MRL4Rec），通过将用户和物品向量重构为具有递增维度和重叠向量空间的木偶熊表征，显式地在不同层次上表示用户偏好和物品特征。我们理论上证明，为每个层级构建特定的训练三元组是确保准确木偶熊表征学习的关键。随后，我们提出木偶熊负采样机制以构建训练三元组，进一步确保木偶熊表征学习在捕获层次化用户偏好和物品特征方面的有效性。实验结果表明，MRL4Rec 在多个真实数据集上均显著优于众多最新SOTA方法。我们的代码已公开于 https://github.com/Riwei-HEU/MRL。
引用
@article{arxiv.2406.07432,
title = {Matryoshka Representation Learning for Recommendation},
author = {Riwei Lai and Li Chen and Weixin Chen and Rui Chen},
journal= {arXiv preprint arXiv:2406.07432},
year = {2024}
}