挖掘兴趣趋势并自适应分配样本权重的会话推荐
信息检索
2023-06-21 v1
摘要
会话推荐(SR)旨在根据用户短时间内的行为预测其下一次点击,对在线平台至关重要。然而,多数现有SR方法在一定程度上忽略了用户偏好未必与交互顺序强相关这一事实。此外,它们忽略了不同样本间重要性的差异,限制了模型拟合性能。为解决这些问题,我们提出挖掘兴趣趋势并自适应分配样本权重的方法,简称MTAW。具体而言,我们基于用户当前行为及所有先前行为建模其即时兴趣。同时,我们区分性地整合即时兴趣以捕捉用户兴趣变化趋势,从而做出更个性化推荐。此外,我们设计了一种新颖损失函数,根据样本在当前轮次的预测难度动态加权。在两个基准数据集上的大量实验结果表明了方法的有效性与优越性。
引用
@article{arxiv.2306.11610,
title = {Mining Interest Trends and Adaptively Assigning SampleWeight for Session-based Recommendation},
author = {Kai Ouyang and Xianghong Xu and Miaoxin Chen and Zuotong Xie and Hai-Tao Zheng and Shuangyong Song and Yu Zhao},
journal= {arXiv preprint arXiv:2306.11610},
year = {2023}
}
备注
This work has been accepted by SIGIR 2023