基于原型对比学习的自监督兴趣迁移网络用于推荐
信息检索
2023-03-01 v1 人工智能
机器学习
摘要
跨域推荐近期受到工业界与学术界越来越多的关注。然而，大多数现有方法未利用域间兴趣不变性，这将导致次优解。本文提出一种跨域推荐方法：自监督兴趣迁移网络（SITN），其可通过原型对比学习在域间有效迁移不变知识。具体而言，我们执行两级跨域对比学习：1）实例到实例对比学习，2）实例到簇对比学习。此外，我们还考虑了用户的多粒度与多视角兴趣。借助该范式，SITN 可显式学习域间兴趣簇的不变知识，并准确捕捉用户意图与偏好。我们在公开数据集及从全球领先电商企业之一收集的大规模工业数据集上进行了大量实验。实验结果表明，SITN 相较当前最优推荐方法取得显著提升。此外，SITN 已部署于微视频推荐平台，线上 A/B 测试结果进一步证明了其实用价值。补充材料见：https://github.com/fanqieCoffee/SITN-Supplement。
引用
@article{arxiv.2302.14438,
title = {Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation},
author = {Guoqiang Sun and Yibin Shen and Sijin Zhou and Xiang Chen and Hongyan Liu and Chunming Wu and Chenyi Lei and Xianhui Wei and Fei Fang},
journal= {arXiv preprint arXiv:2302.14438},
year = {2023}
}
备注
9 pages, 3 figures, accepted by AAAI 2023