用于多行为序列推荐的多粒度偏好增强 Transformer
信息检索
2024-12-31 v2 社会与信息网络
摘要
序列推荐 (SR) 旨在根据从用户历史用户-项目交互中学习到的动态偏好来预测下一个购买项目。为了提高推荐性能，学习动态异构跨类型行为依赖对于推荐系统是不可或缺的。然而，多行为序列推荐 (MBSR) 仍然存在一些挑战。一方面，现有方法仅在行为级别或项目级别对异构多行为依赖进行建模，而对交互级别依赖的建模仍然是一个挑战。另一方面，动态多粒度行为感知偏好难以在交互序列中捕捉，该偏好反映了交互感知的序列模式。为了应对这些挑战，我们提出了一种多粒度偏好增强 Transformer 框架 (M-GPT)。首先，M-GPT 在序列中构建历史跨类型交互的交互级别图。然后反复执行图卷积以推导交互级别的多行为依赖表示，其中可以很好地学习特定顺序下历史跨类型交互之间的复杂相关性。其次，提出了一种配备多粒度用户偏好提取的新型多尺度 Transformer 架构，通过捕捉时间行为感知的多粒度偏好来编码增强的交互感知序列模式。在真实世界数据集上的实验表明，我们的方法 M-GPT 始终优于各种最先进的推荐方法。
引用
@article{arxiv.2411.12179,
title = {Multi-Grained Preference Enhanced Transformer for Multi-Behavior Sequential Recommendation},
author = {Chuan He and Yongchao Liu and Qiang Li and Weiqiang Wang and Xin Fu and Xinyi Fu and Chuntao Hong and Xinwei Yao},
journal= {arXiv preprint arXiv:2411.12179},
year = {2024}
}
备注
12 pages