用于多行为序列推荐的个性化行为感知 Transformer
信息检索
2024-02-23 v1 人工智能
摘要
序列推荐（SR）通过对用户如何在物品间转移进行建模来捕捉用户的动态偏好。然而，仅利用单一类型行为交互数据的 SR 模型在序列较短时会遇到性能下降的问题。为解决这一问题，本文聚焦于多行为序列推荐（MBSR），旨在利用随时间演变的异构行为依赖关系，以更好地探索用户对目标行为的潜在意图。解决 MBSR 具有挑战性。一方面，由于个人特征，用户表现出多样的多行为模式。另一方面，行为相关性与物品协作之间存在全面的相互影响，其强度深受时间因素影响。为应对这些挑战，我们提出了一种用于 MBSR 问题的个性化行为感知 Transformer 框架（PBAT），该框架以新颖的方式建模个性化模式和多方面序列协作，以提升推荐性能。首先，PBAT 在表示层开发了一个个性化行为模式生成器，用于提取用于序列学习的动态且具有判别力的行为模式。其次，PBAT 通过行为感知协作提取器改革了自注意力层，引入了一种融合的行为感知注意力机制，将行为和时间影响纳入协作转移中。我们在三个基准数据集上进行了实验，结果证明了我们框架的有效性和可解释性。我们的实现代码已发布于 https://github.com/TiliaceaeSU/PBAT。
引用
@article{arxiv.2402.14473,
title = {Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation},
author = {Jiajie Su and Chaochao Chen and Zibin Lin and Xi Li and Weiming Liu and Xiaolin Zheng},
journal= {arXiv preprint arXiv:2402.14473},
year = {2024}
}