基于强化学习的共享账户跨域序列推荐

共享账户跨域序列推荐（SCSR）是一项新兴且具有挑战性的任务，它同时考虑了序列推荐中的共享账户与跨域特性。现有 SCSR 工作主要基于循环神经网络（RNN）和图神经网络（GNN），但它们忽略了一个事实：尽管多个用户共享同一账户，某一时刻主要由其中一个用户使用。这一观察促使我们通过关注账户近期行为来学习更准确的用户特定账户表示。此外，尽管现有工作对不相关交互赋予了较低权重，它们仍可能稀释领域信息并阻碍跨域推荐。为解决上述问题，我们提出一种基于强化学习的解决方案，即 RL-ISN，它由基础跨域推荐器与基于强化学习的领域过滤器组成。具体而言，为在共享账户场景下建模账户表示，基础推荐器首先将用户混合行为聚类为潜在用户，然后对其使用注意力模型进行用户识别。为降低不相关领域信息的影响，我们将领域过滤器构建为一个分层强化学习任务，其中高层任务决定是否修订整个迁移序列，若修订，则进一步执行低层任务以决定序列中每个交互是否移除。为评估方案性能，我们在两个真实数据集上进行了大量实验，实验结果表明我们的 RL-ISN 方法优于当前最先进的推荐方法。