面向多模态推荐的帕累托不变表示学习
信息检索
2023-08-25 v2 机器学习
摘要
多模态推荐涉及个性化排序任务，其中多模态内容通常使用通用编码器表示。然而，这些通用表示引入了未能揭示用户真实偏好的虚假相关性。现有工作试图通过学习不变表示来缓解该问题，但忽视了独立同分布（IID）与分布外（OOD）泛化之间的平衡。本文中，我们从 IID-OOD 多目标优化视角提出称为帕累托不变表示学习（PaInvRL）的框架，通过同时学习不变表示（吸引用户注意力的内在因素）与可变表示（其他因素）来减轻虚假相关性的影响。具体而言，PaInvRL 包含三个迭代执行模块：（i）异构环境识别模块，识别异构环境以反映用户-物品交互的分布偏移；（ii）不变掩码生成模块，基于最小化自适应加权不变风险最小化（IRM）与经验风险（ERM）损失的帕累托最优解学习不变掩码；（iii）转换模块，生成可变表示与物品不变表示以训练缓解虚假相关性并平衡环境内与跨环境泛化性能的多模态推荐模型。我们在三个公开多模态推荐数据集（Movielens、Tiktok 与 Kwai）上将所提 PaInvRL 与当前最优推荐模型比较，实验结果验证了 PaInvRL 在环境内与跨环境学习上的有效性。
引用
@article{arxiv.2308.04706,
title = {Pareto Invariant Representation Learning for Multimedia Recommendation},
author = {Shanshan Huang and Haoxuan Li and Qingsong Li and Chunyuan Zheng and Li Liu},
journal= {arXiv preprint arXiv:2308.04706},
year = {2023}
}
备注
ACM MM 2023 full paper