面向序列推荐的个性化提示
信息检索
2024-10-10 v3
摘要
预训练模型已在序列推荐中展现出其威力。近来,提示(prompt)在自然语言处理预训练中得到了广泛探索与验证,可帮助更有效、更高效地从预训练模型中为下游任务提取有用知识,尤其在冷启动场景中。然而,将提示微调从 NLP 引入推荐具有挑战性,因为推荐中的令牌(即物品)没有显式的可解释语义,且序列建模应当是个性化的。在这项工作中,我们首次将提示引入推荐,并提出一种新颖的基于个性化提示的推荐(PPR)框架用于冷启动推荐。具体而言,我们通过基于用户画像的提示生成器构建个性化软前缀提示,并通过以提示和行为两种增强为基础的面向提示的对比学习实现提示的充分训练。我们在多种任务上进行了广泛评估。在少样本和零样本推荐中,PPR 模型在三个大规模开放数据集上的各项指标均显著优于基线。我们还进行了消融实验和稀疏性分析以更好地理解 PPR。此外,我们进一步验证了 PPR 在不同预训练模型上的通用性,并探索了 PPR 其他有前景的下游任务,包括跨域推荐和用户画像预测。
引用
@article{arxiv.2205.09666,
title = {Personalized Prompt for Sequential Recommendation},
author = {Yiqing Wu and Ruobing Xie and Yongchun Zhu and Fuzhen Zhuang and Xu Zhang and Leyu Lin and Qing He},
journal= {arXiv preprint arXiv:2205.09666},
year = {2024}
}
备注
accepted by TKDE