NISER：利用归一化物品与会话表示处理流行度偏差
信息检索
2021-03-05 v4 机器学习
摘要
基于会话的推荐（SR）模型的目标是利用会话中过往动作（如物品/产品点击）的信息，推荐用户可能下一步点击的物品。最近研究表明，会话中物品交互序列可建模为图结构数据，以更好地刻画复杂物品转移。图神经网络（GNNs）能为此类会话图学习有用表示，并已被证明优于如递归神经网络等序列模型 [14]。然而，我们注意到这些基于 GNN 的推荐模型存在流行度偏差：模型偏向于推荐流行物品，而无法推荐相关的长尾物品（较不流行或较少出现的物品）。因此，这些模型在每日有较不流行新物品进入的实际在线场景中表现不佳。我们证明该问题部分与所学物品及会话图表示（嵌入向量）的模长或范数有关。我们提出一种利用归一化表示缓解此问题的训练流程。使用归一化物品与会话图表示的模型表现显著更优：i. 在离线场景下针对较不流行的长尾物品，ii. 在在线场景下针对较不流行的新引入物品。此外，我们的方法在三个基准数据集上显著优于现有 SOTA。
引用
@article{arxiv.1909.04276,
title = {NISER: Normalized Item and Session Representations to Handle Popularity Bias},
author = {Priyanka Gupta and Diksha Garg and Pankaj Malhotra and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:1909.04276},
year = {2021}
}
备注
Presented at 1st International Workshop on Graph Representation Learning and its Applications, CIKM 2019