基于多粒度物品的对比推荐
信息检索
2023-01-18 v2
摘要
对比学习（CL）已在推荐中展现出其威力。然而，多数基于 CL 的推荐模型仅聚焦于用户侧构建其 CL 任务，忽视了物品中丰富多样的信息。本工作中，我们提出一种新颖的基于多粒度物品的对比学习（MicRec）框架，用于推荐的匹配阶段（即候选生成），以 CL 系统性地将多方面物品相关信息引入表示学习。具体而言，我们构建三个基于物品的 CL 任务作为一组即插即用的辅助目标，以在特征、语义与会话层面捕捉物品关联。特征级物品 CL 旨在通过物品及其增广学习细粒度特征级物品关联。语义级物品 CL 聚焦于语义相关物品间的粗粒度语义关联。会话级物品 CL 强调从所有会话中用户序列行为得出的物品全局行为关联。实验中，我们在真实数据集上进行了离线与在线评估，验证了所提三个 CL 任务的有效性与通用性。目前，MicRec 已部署于真实推荐系统，影响数百万用户。源代码将于未来发布。
引用
@article{arxiv.2207.01387,
title = {Multi-granularity Item-based Contrastive Recommendation},
author = {Ruobing Xie and Zhijie Qiu and Bo Zhang and Leyu Lin},
journal= {arXiv preprint arXiv:2207.01387},
year = {2023}
}
备注
17 pages, under review