基于消除意外行为影响的隐式反馈鲁棒推荐
人工智能
2021-12-22 v1
摘要
在隐式反馈推荐中，将短期偏好纳入推荐系统近年来受到越来越多的关注。然而，历史交互中的意外行为（如偶然点击某些物品）并不能很好地反映用户的内在偏好。现有研究未能对意外行为的影响进行建模，因而推荐性能不佳。本文提出一种多偏好模型（MPM）以消除意外行为的影响。MPM首先通过细粒度偏好模块从用户近期历史交互中提取其即时偏好。随后训练一个意外行为检测器来判断这些即时偏好是否受到意外行为的偏置。我们还在MPM中整合了用户的一般偏好。最后，通过输出模块消除意外行为的影响并整合所有信息以做出最终推荐。我们在电影和电商两个数据集上进行了大量实验，表明我们的模型相比最先进（SOTA）方法取得了显著提升。实验结果显示，MPM在HR@10和NDCG@10上获得大幅提升，相较AttRec模型平均相对提升3.643%和4.107%。我们的代码发布于https://github.com/chenjie04/MPM/。
引用
@article{arxiv.2112.11023,
title = {Robust Recommendation with Implicit Feedback via Eliminating the Effects of Unexpected Behaviors},
author = {Jie Chen and Lifen Jiang and Chunmei Ma and Huazhi Sun},
journal= {arXiv preprint arXiv:2112.11023},
year = {2021}
}