关于会话推荐中遗忘的有效性

会话推荐根据会话中的先前交互预测用户未来的兴趣。尽管记忆了历史样本，但由于用户隐私或模型保真度等原因，也会产生遗忘请求，即移除某些训练样本的影响。然而，现有的遗忘研究并未针对会话推荐量身定制。一方面，由于待遗忘项与会话中剩余项之间的协同关联和序列连接，这些方法无法实现令人满意的遗忘效果。另一方面，很少有工作进行研究以验证会话推荐场景中的遗忘有效性。在本文中，我们提出了 SRU，一种会话推荐遗忘框架，它在会话推荐中实现了高遗忘效率、准确的推荐性能和改进的遗忘有效性。具体而言，我们首先根据会话间的相似性将训练会话划分为独立的子模型，然后利用基于注意力的聚合层，根据会话与子模型中数据质心之间的相关性来融合隐藏状态。为了提高遗忘有效性，我们进一步提出了三种额外的数据删除策略，包括协同额外删除 (CED)、邻居额外删除 (NED) 和随机额外删除 (RED)。此外，我们提出了一种评估指标，用于衡量数据删除后是否可以推断出遗忘样本，以验证遗忘有效性。我们在三个具有代表性的会话推荐模型上实现了 SRU，并在三个基准数据集上进行了实验。实验结果证明了我们方法的有效性。