基于记忆增强Transformer网络的多重行为关系学习推荐方法
信息检索
2021-10-11 v1 人工智能
摘要
捕捉用户精确偏好在各种推荐系统（例如电子商务平台）中至关重要，这是如何向个体用户呈现个性化感兴趣产品列表的基础。尽管在考虑用户与物品之间的关系方面已取得显著进展，大多数现有推荐技术仅关注单一类型的用户-物品交互。然而，用户-物品交互行为通常表现为多类型（例如页面浏览、加入收藏和购买）且本质上相互依赖。忽视多重行为关系很难识别跨不同类型交互的多模态上下文信号，这限制了当前推荐方法的可行性。为应对上述挑战，本工作提出记忆增强Transformer网络（MATN），以多重行为关系信息实现推荐，并以全自动方式联合建模类型特定行为上下文与类型间行为相互依赖。在我们的MATN框架中，我们首先开发基于Transformer的多行为关系编码器，使学习到的交互表示反映跨类型行为关系。此外，提出记忆注意力网络，以增强MATN将不同类型行为的上下文信号捕获到类别特定的潜在嵌入空间中。最后，引入跨行为聚合组件，以促进跨类型感知交互行为表示的全面协作，并区分它们在辅助推荐中的固有贡献。在两个基准数据集和一个真实世界电商用户行为数据上的大量实验表明，MATN相较基线取得了显著改进。代码见：https://github.com/akaxlh/MATN。
引用
@article{arxiv.2110.04002,
title = {Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network},
author = {Lianghao Xia and Chao Huang and Yong Xu and Peng Dai and Bo Zhang and Liefeng Bo},
journal= {arXiv preprint arXiv:2110.04002},
year = {2021}
}
备注
Published as a full paper at SIGIR 2020