面向偶然群组推荐的自监督图学习
信息检索
2022-07-22 v4 人工智能
摘要
作为推荐系统的一个重要分支，偶然群组推荐受到越来越多的关注。在该场景下，每个偶然群组（冷启动群组）没有或仅有极少历史交互物品。由于每个偶然群组与物品的交互极其稀疏，传统群组推荐方法无法学习到高质量的群组表示。近期提出的图神经网络（GNNs）通过引入目标偶然群组的高阶邻居，能在一定程度上缓解上述问题。然而，这些 GNNs 仍无法显式地加强具有极少交互的高阶邻居的嵌入质量。受自监督学习技术（能够发现数据自身相关性）的启发，我们提出一种自监督图学习框架，该框架以用户/物品/群组嵌入重建作为前置任务，以增强冷启动用户/物品/群组的嵌入。为显式提升高阶冷启动邻居的嵌入质量，我们进一步引入嵌入增强器，利用自注意力机制改善它们的嵌入质量。充分的实验表明，我们所提框架优于最先进的方法。
引用
@article{arxiv.2112.02274,
title = {Self-supervised Graph Learning for Occasional Group Recommendation},
author = {Bowen Hao and Hongzhi Yin and Cuiping Li and Hong Chen},
journal= {arXiv preprint arXiv:2112.02274},
year = {2022}
}
备注
This paper uses self-supervised learning technique to enhance the embeddings of users/groups/items, the idea is novel in group recommendation scenario. However, some presentations need to be revised, so as to let the readers understand