面向推荐的多行为自监督学习
信息检索
2023-05-30 v1 机器学习
摘要
现代推荐系统通常处理多种用户交互,例如点击、转发、购买等,这要求底层推荐引擎充分理解并利用来自用户的多行为数据。尽管近期已有利用异构数据的努力,多行为推荐仍面临巨大挑战。首先,稀疏的目标信号与含噪的辅助交互仍是一大问题。其次,现有利用自监督学习(SSL)应对数据稀疏的方法忽视了 SSL 任务与目标任务之间严重的优化失衡。因此,我们提出了一种多行为自监督学习(MBSSL)框架及一种自适应优化方法。具体而言,我们设计了一个结合自注意力机制的行为感知图神经网络,以捕捉行为的多样性与依赖关系。为提升对目标行为下数据稀疏及辅助行为中含噪交互的鲁棒性,我们提出了一种新颖的自监督学习范式,在行为间与行为内两个层面进行节点自判别。此外,我们通过梯度的混合操控开发了定制优化策略,以自适应地平衡自监督学习任务与主监督推荐任务。在五个真实世界数据集上的大量实验表明,MBSSL 相较十个最先进(SOTA)基线方法取得了稳定提升。我们在 https://github.com/Scofield666/MBSSL.git 发布了模型实现。
引用
@article{arxiv.2305.18238,
title = {Multi-behavior Self-supervised Learning for Recommendation},
author = {Jingcao Xu and Chaokun Wang and Cheng Wu and Yang Song and Kai Zheng and Xiaowei Wang and Changping Wang and Guorui Zhou and Kun Gai},
journal= {arXiv preprint arXiv:2305.18238},
year = {2023}
}
备注
SIGIR 2023