感知多意图的基于会话的推荐
信息检索
2024-05-03 v1
摘要
基于会话的推荐（Session-based Recommendation, SBR）旨在预测用户在当前会话中接下来将交互的物品。现有大多数 SBR 模型侧重于设计复杂的基于神经网络的编码器来学习会话表示，以捕捉会话物品之间的关系。然而，这些模型往往只关注最后一个物品，忽略了会话内可能存在的多样化用户意图。这一局限性导致了显著的性能下降，在较长会话中尤为明显。为解决此问题，我们提出了一种新颖的 SBR 模型，称为感知多意图的基于会话推荐模型（Multi-intent-aware Session-based Recommendation Model, MiaSRec）。该模型采用指示会话中物品频率的频率嵌入向量，以增强关于重复物品的信息。MiaSRec 通过推导以每个物品为中心的多个会话表示，并动态选择其中重要的表示，来刻画各种用户意图。大量实验结果表明，MiaSRec 在六个数据集上优于现有 SOTA SBR 模型，尤其是在那些平均会话长度较长的数据集上，其 MRR@20 和 Recall@20 分别实现了高达 6.27% 和 24.56% 的提升。代码可在 https://github.com/jin530/MiaSRec 获取。
引用
@article{arxiv.2405.00986,
title = {Multi-intent-aware Session-based Recommendation},
author = {Minjin Choi and Hye-young Kim and Hyunsouk Cho and Jongwuk Lee},
journal= {arXiv preprint arXiv:2405.00986},
year = {2024}
}
备注
SIGIR 2024. 5 pages