S^3-Rec：基于互信息最大化的自监督序列推荐方法
信息检索
2020-08-19 v1 机器学习
摘要
近年来，基于深度学习的序列推荐取得了显著进展。现有的神经序列推荐模型通常依赖物品预测损失来学习模型参数或数据表示。然而，以此损失训练的模型容易遭受数据稀疏问题。由于它过度强调最终性能，上下文数据与序列数据之间的关联或融合未能被很好地捕捉并用于序列推荐。为应对该问题，我们提出基于自注意力神经架构的模型 S^3-Rec，即 Self-Supervised learning for Sequential Recommendation（序列推荐的自监督学习）。我们方法的核心思想是利用内在的数据相关性来推导自监督信号，并通过预训练方法增强数据表示，从而改进序列推荐。针对我们的任务，我们利用互信息最大化（MIM）原理设计了四个辅助自监督目标，以学习属性、物品、子序列与序列之间的相关性。MIM 提供了一种统一刻画不同类型数据间相关性的方式，特别适用于我们的场景。在六个真实世界数据集上进行的广泛实验表明，我们提出的方法优于现有的 SOTA 方法，尤其在仅有有限训练数据可用时。此外，我们将自监督学习方法扩展到其他推荐模型，同样提升了它们的性能。
引用
@article{arxiv.2008.07873,
title = {S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization},
author = {Kun Zhou and Hui Wang and Wayne Xin Zhao and Yutao Zhu and Sirui Wang and Fuzheng Zhang and Zhongyuan Wang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2008.07873},
year = {2020}
}
备注
Accepted as CIKM2020 long paper