Re4：面向多兴趣推荐的再对比、再注意力与再重构学习框架

有效表征用户是现代推荐系统的核心。由于用户兴趣天然呈现多方面性，开发用于推荐的多兴趣框架而非以单一整体嵌入表示每个用户，正受到越来越多的关注。尽管现有方法有效，但它们仅利用编码器（前向流）来表征多方面兴趣。然而，若无显式正则化，兴趣嵌入彼此间可能并无区分度，也无法在语义上反映具有代表性的历史物品。为此，我们提出Re4框架，其利用反向流重新审视每个兴趣嵌入。具体而言，Re4封装了三种反向流：1）再对比（Re-contrast），利用对比学习使每个兴趣嵌入区别于其他兴趣；2）再注意力（Re-attend），确保前向流中的兴趣-物品相关性估计与最终推荐所用准则一致；3）再重构（Re-construct），确保每个兴趣嵌入能在语义上反映与相应兴趣相关的代表性物品信息。我们在ComiRec上展示了这一新颖的前向-反向多兴趣范式，并在三个真实世界数据集上进行了大量实验。实证研究表明，Re4有助于学习具有区分度且有效的多兴趣表示。