推荐系统中前置上下文的建模与利用
信息检索
2022-09-26 v1
摘要
前置条件在用户的决策过程中起着关键作用，然而推荐系统尚未充分利用此类上下文背景知识。传统推荐系统(RS)大多丰富用户-物品交互，其中上下文由静态用户画像和物品描述组成，忽略了其背后的上下文逻辑与约束。例如，RS可能在用户已与其前置物品交互的条件下推荐某物品。从概念侧信息中建模前置上下文可以克服这一缺陷。我们提出前置驱动推荐(Prerequisite Driven Recommendation, PDR)，一种显式建模前置上下文以促进推荐的通用上下文感知框架。我们首先设计前置知识链接(Prerequisite Knowledge Linking, PKL)算法，以构建促进PDR研究的数据集。利用该算法，我们构建了一个跨越三个领域、包含7.5万余条的高质量前置概念数据集。随后我们提出PDRS，即PDR的神经网络实现。通过多层感知机联合优化前置学习任务与推荐任务，我们发现PDRS在全部三个领域中一致优于基线模型，平均提升幅度为7.41%。重要的是，PDRS在冷启动场景下表现尤为出色，提升幅度最高达17.65%。
引用
@article{arxiv.2209.11471,
title = {Modeling and Leveraging Prerequisite Context in Recommendation},
author = {Hengchang Hu and Liangming Pan and Yiding Ran and Min-Yen Kan},
journal= {arXiv preprint arXiv:2209.11471},
year = {2022}
}
备注
Accepted by CARS@RecSys'22