NFARec：一种感知负反馈的推荐模型
信息检索
2024-09-05 v3
摘要
基于图神经网络（GNN）的模型在推荐系统中被广泛研究，因为它们能够准确提取高质量推荐系统所需的高阶协同信号。然而，它们在两个方面忽略了通过负反馈获得的有价值信息：（1）不同用户可能对同一物品持有相反的反馈，这阻碍了 GNN 中的最优信息传播；（2）即使某物品严重偏离用户偏好，用户仍可能选择它并给出负面评分。本文提出了一种感知负反馈的推荐模型（NFARec），最大化负反馈的利用。为了沿最优路径将信息有效传递给多跳邻居，NFARec 采用了反馈感知相关性来引导超图卷积（HGC）学习用户的结构表示。此外，NFARec 结合了一个辅助任务——基于 Transformer Hawkes 过程预测下一次交互的反馈情感极性（即正面或负面）。该任务通过学习用户先前序列反馈模式中表达的情感并预测未来交互，有助于理解用户。大量实验表明，NFARec 优于具有竞争力的基线模型。我们的源代码和数据已发布于 https://github.com/WangXFng/NFARec。
引用
@article{arxiv.2404.06900,
title = {NFARec: A Negative Feedback-Aware Recommender Model},
author = {Xinfeng Wang and Fumiyo Fukumoto and Jin Cui and Yoshimi Suzuki and Dongjin Yu},
journal= {arXiv preprint arXiv:2404.06900},
year = {2024}
}
备注
Accepted to SIGIR 2024