基于并行知识增强的多行为推荐框架
信息检索
2023-08-10 v1
摘要
多行为推荐算法旨在利用用户与物品之间的多重交互来学习用户的潜在偏好。近期的多行为推荐框架包含融合与预测两步。在融合步骤中，使用先进的神经网络对用户行为间的层次关联建模。在预测步骤中，利用多任务学习（MTL）范式以多信号联合优化模型。然而，现有方法未解决融合步骤中数据分布不平衡导致的问题，致使学到的关联被高频行为主导。在预测步骤中，现有方法使用门控机制直接聚合由耦合输入生成的专家信息，导致负信息迁移。为解决这些问题，我们提出一种用于多行为推荐的并行知识增强框架（PKEF）。具体而言，我们在融合步骤中使用并行知识（PKF）增强层次信息传播。同时，在预测步骤中，我们解耦表示以生成专家信息，并在聚合时引入投影机制以消除梯度冲突并缓解负迁移（PME）。我们在三个真实数据集上进行了全面实验以验证模型的有效性。结果进一步证明了所设计的 PKF 和 PME 模块的合理性及有效性。源代码与数据集见 https://github.com/MC-CV/PKEF。
引用
@article{arxiv.2308.04807,
title = {Parallel Knowledge Enhancement based Framework for Multi-behavior Recommendation},
author = {Chang Meng and Chenhao Zhai and Yu Yang and Hengyu Zhang and Xiu Li},
journal= {arXiv preprint arXiv:2308.04807},
year = {2023}
}
备注
Accepted by CIKM 2023