自监督多模态序列推荐
信息检索
2023-04-27 v1
摘要
随着电子商务与在线服务的日益发展，个性化推荐系统已成为提升用户满意度和推动业务收益的关键。依赖显式物品 ID 的传统序列推荐方法在应对物品冷启动与领域迁移问题时面临挑战。近期方法尝试使用与物品关联的模态特征替代物品 ID，以实现所学知识跨不同数据集的迁移。然而，这些方法通常计算模型输出与物品嵌入之间的相关性，可能受限于高层特征向量与低层特征嵌入间的不一致，从而阻碍模型进一步学习。为解决此问题，我们提出一种用于序列推荐的双塔检索架构。该架构中，来自用户编码器的预测嵌入用于检索来自物品编码器的生成嵌入，从而缓解特征层级不一致问题。此外，为进一步提升模型检索性能，我们还提出一种受对比学习一致性特性启发的自监督多模态预训练方法。该预训练方法使模型能够对齐物品的各种特征组合，从而有效泛化至具有不同物品特征的多样数据集。我们在五个公开数据集上评估所提方法并开展大量实验。结果表明我们的方法取得显著性能提升。
引用
@article{arxiv.2304.13277,
title = {Self-Supervised Multi-Modal Sequential Recommendation},
author = {Kunzhe Song and Qingfeng Sun and Can Xu and Kai Zheng and Yaming Yang},
journal= {arXiv preprint arXiv:2304.13277},
year = {2023}
}