RaSeRec：检索增强的顺序推荐
信息检索
2025-02-14 v3
摘要
尽管已有的监督式和自监督式增强顺序推荐(SeRec)模型通过强大的神经网络架构取得了 improved performance，但我们认为它们仍存在两个局限性：(1) 偏好漂移，即在过去数据上训练的模型难以适应不断演变的用户偏好；(2) 隐式记忆，即头模式主导参数学习，使其更难记住长尾信息。在本工作中，我们探索在 SeRec 中采用检索增强以解决这些局限性。具体提出一种检索增强顺序推荐框架，称为 RaSeRec，其核心思想是维护一个动态记忆库以容纳偏好漂移，并检索相关记忆以显式增强用户建模。它包含两个阶段：(i) 基于协同过滤的预训练，学习推荐和检索；(ii) 检索增强的微调，学习利用检索到的记忆。大量实验在三个数据集上充分展示了 RaSeRec 的卓越性和有效性。实现代码已发布于 https://github.com/HITsz-TMG/RaSeRec。
引用
@article{arxiv.2412.18378,
title = {RaSeRec: Retrieval-Augmented Sequential Recommendation},
author = {Xinping Zhao and Baotian Hu and Yan Zhong and Shouzheng Huang and Zihao Zheng and Meng Wang and Haofen Wang and Min Zhang},
journal= {arXiv preprint arXiv:2412.18378},
year = {2025}
}
备注
14 pages, 8 figures, 9 tables