MISSRec：用于推荐的多模态兴趣感知序列表示的预训练与迁移
信息检索
2023-10-24 v2 人工智能
多媒体
摘要
序列推荐（SR）的目标是基于用户的历史交互序列预测其潜在感兴趣的物品。大多数现有序列推荐器基于 ID 特征开发，尽管被广泛使用，但在 ID 稀疏时往往表现不佳，并难以应对冷启动问题。此外，不一致的 ID 映射阻碍了模型的迁移能力，使本可协同优化的相似推荐领域相互隔离。本文旨在通过探索多模态信息在学习鲁棒且可泛化序列表示中的潜力来解决这些问题。我们提出 MISSRec，一个面向 SR 的多模态预训练与迁移学习框架。在用户侧，我们设计了一个基于 Transformer 的编码器-解码器模型，其中上下文编码器学习捕获序列级多模态用户兴趣，同时开发了一种新颖的兴趣感知解码器来把握物品-模态-兴趣关系以获得更好的序列表示。在候选物品侧，我们采用动态融合模块生成用户自适应的物品表示，提供更精确的用户与物品匹配。我们使用对比学习目标预训练模型，并以高效方式微调。大量实验证明了 MISSRec 的有效性与灵活性，为真实推荐场景提供了一种实用方案。数据与代码见 \url{https://github.com/gimpong/MM23-MISSRec}。
引用
@article{arxiv.2308.11175,
title = {MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation},
author = {Jinpeng Wang and Ziyun Zeng and Yunxiao Wang and Yuting Wang and Xingyu Lu and Tianxiang Li and Jun Yuan and Rui Zhang and Hai-Tao Zheng and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2308.11175},
year = {2023}
}
备注
Accepted to ACM MM 2023. Data and code are available