为顺序推荐建模用户疲劳

推荐系统会筛选出符合用户兴趣的内容。然而，用户可能会对在短时间内暴露于相似于其所接触内容的推荐感到疲劳，这就是所谓的用户疲劳。尽管这对更好的用户体验至关重要，但用户疲劳在现有的推荐系统中鲜有被探索。事实上，针对用户疲劳建模存在三个主要挑战：哪些特征支持其建模、疲劳如何影响用户兴趣、以及如何获取其显性信号。在本文中，我们提出了在兴趣学习中建模用户疲劳以用于顺序推荐的方法（FRec）。为解决第一个挑战，基于多兴趣框架，我们将目标物品与历史物品关联，构建以兴趣感知相似性矩阵作为特征，以支持疲劳建模。针对第二个挑战，基于特征交叉，我们提出了疲劳增强的多兴趣融合，以捕捉长期兴趣。此外，我们开发了一个疲劳门控循环单元用于短期兴趣学习，将时间疲劳表示作为构建更新和重置门的重要输入。对于最后一个挑战，我们提出了一种新颖的序列增强方法，用于对比学习获取显性疲劳信号。我们在两个公开数据集和一个大规模工业数据集上进行了广泛实验。实验结果表明，FRec在AUC和GAUC上分别可提升0.026和0.019。此外，大规模在线实验表明了FRec在降低用户疲劳方面的有效性。我们的代码已发布于 https://github.com/tsinghua-fib-lab/SIGIR24-FRec。