以物表物：面向推荐的增强型目标物品表示

基于物品的协同过滤（ICF）已广泛应用于推荐系统和在线广告等工业场景中。该方法通过用户交互过的物品来建模其对目标物品的偏好。近期模型采用注意力机制和深度神经网络等方法更精确地学习用户表示与打分函数。然而，尽管这些方法有效，此类模型仍忽视了一个问题：ICF 方法的性能严重依赖于物品表示的质量，尤其是目标物品表示的质量。事实上，由于推荐中的长尾分布，大多数物品嵌入无法准确表征物品的语义，从而降低了当前 ICF 方法的性能。本文提出了一种增强型目标物品表示，从共现物品中提炼相关信息。我们设计了采样策略，为降低噪声与计算成本而对共现物品采样固定数量。考虑到采样物品对目标物品的重要性不同，我们应用注意力机制选择性地采纳采样物品的语义信息。我们提出的基于共现的增强表示模型（CER）以注意力用户表示以及目标物品的原始表示与增强表示的融合作为输入，通过深度神经网络学习打分函数。借助增强表示，与最先进的 ICF 方法相比，CER 对长尾物品具有更强的表示能力。在两个公开基准上的大量实验证明了 CER 的有效性。