利用优化负采样与损失函数扩展基于会话的 Transformer 推荐
信息检索
2025-04-01 v2 人工智能
机器学习
摘要
本文介绍了 TRON，一种可扩展的基于会话的 Transformer 推荐器，采用优化负采样（Optimized Negative-sampling）。受 SASRec 和 GRU4Rec+ 等主流模型在可扩展性与性能上的局限所驱动，TRON 集成了 top-k 负采样与列表式损失函数以提升其推荐精度。在相关大规模电商数据集上的评估表明，TRON 在保持与 SASRec 相近训练速度的同时，优于现有方法的推荐质量。一项线上 A/B 测试相较 SASRec 获得了 18.14% 的点击率提升，凸显了 TRON 在实际场景中的潜力。为进一步研究，我们在 https://github.com/otto-de/TRON 提供源代码，并在 https://github.com/otto-de/recsys-dataset 提供匿名数据集。
引用
@article{arxiv.2307.14906,
title = {Scaling Session-Based Transformer Recommendations using Optimized Negative Sampling and Loss Functions},
author = {Timo Wilm and Philipp Normann and Sophie Baumeister and Paul-Vincent Kobow},
journal= {arXiv preprint arXiv:2307.14906},
year = {2025}
}
备注
Accepted at the Seventeenth ACM Conference on Recommender Systems (RecSys '23)