基于邻域重叠的序列推荐难负样本挖掘
信息检索
2023-06-21 v1 人工智能
摘要
负采样在训练成功的序列推荐模型中起着关键作用。除了仅采用随机负样本选择外，已有众多策略被提出以挖掘信息丰富的负样本来提升训练与性能。然而，这些方法中极少利用结构信息。本工作中，我们观察到随着训练推进，具有不同邻域重叠程度的各组节点对相似度分布发生显著变化，表明不同组中的物品对可能具备不同的负样本关系。受此观察启发，我们提出一种基于邻域重叠的图负采样方法（GNNO），以利用用户行为中隐藏的结构信息进行负样本挖掘。GNNO 首先利用训练序列构建全局加权物品转移图，随后基于图上与目标物品的重叠程度挖掘难负样本。此外，GNNO 采用课程学习来控制负样本的难度，从易到难逐步推进。在三个 Amazon 基准上的大量实验证明了 GNNO 在持续增强各类 SOTA 模型性能并超越现有负采样策略方面的有效性。代码将于 \url{https://github.com/floatSDSDS/GNNO} 发布。
引用
@article{arxiv.2306.10047,
title = {Neighborhood-based Hard Negative Mining for Sequential Recommendation},
author = {Lu Fan and Jiashu Pu and Rongsheng Zhang and Xiao-Ming Wu},
journal= {arXiv preprint arXiv:2306.10047},
year = {2023}
}