面向序列推荐的时间正负激励建模
信息检索
2024-10-30 v1 人工智能
摘要
序列推荐旨在通过建模用户随时间对物品的兴趣来预测其下一个感兴趣的物品。现有大多数序列推荐工作对用户对特定物品的动态兴趣进行建模，却忽视了由物品的某些静态属性信息（如类别或品牌）所揭示的用户静态兴趣。此外，现有工作通常只考虑用户历史交互对其下一次候选物品选择的正向激励，而忽略了普遍存在的负向激励，导致动态兴趣建模不充分。对静态兴趣和负向激励的忽视将导致兴趣建模不完整，从而影响推荐性能。为此，本文提出对静态兴趣和用于动态兴趣的负向激励同时进行建模，以进一步提升推荐性能。据此，我们设计了一个新颖的静态-动态兴趣学习（SDIL）框架，该框架以一个新颖的时间正负激励建模（TPNE）模块为特色，用于精确的序列推荐。TPNE 专为基于时间正负激励学习全面建模动态兴趣而设计。在三个真实世界数据集上的大量实验表明，SDIL 能够有效捕捉静态和动态兴趣，并优于当前最先进的基线模型。
引用
@article{arxiv.2410.22013,
title = {Modeling Temporal Positive and Negative Excitation for Sequential Recommendation},
author = {Chengkai Huang and Shoujin Wang and Xianzhi Wang and Lina Yao},
journal= {arXiv preprint arXiv:2410.22013},
year = {2024}
}