用于顺序推荐的语义高斯混合变分自编码器
信息检索
2025-02-25 v1
摘要
变分自编码器（VAE）用于顺序推荐（SR），通过学习用户-项目交互序列的连续分布而非确定性嵌入，能够抵御数据不足并取得显著的性能提升。然而，现有的基于VAE的SR模型假设序列表示的先验分布为单模高斯分布，导致其捕捉复杂用户兴趣的能力受限，当用户拥有多个兴趣时，推荐性能受到制约。鉴于用户常常拥有多个互不相同的兴趣，我们认为在SR场景中采用单模先验分布而非多模先验分布更为合理。因此，本文提出了一种新颖的VAE-based SR模型，称为SIGMA。SIGMA假设序列表示的先验分布符合高斯混合分布，其中分布的每个组成部分在语义上对应于多个兴趣中的一个。为了实现多兴趣挖掘，SIGMA包含一个概率性的多兴趣提取模块，该模块根据隐式项目超类别学习每个兴趣的单模高斯分布。此外，为了将多兴趣纳入序列表示学习，SIGMA构建了一个兼容高斯混合先验的多兴趣感知ELBO。大量实验在公开数据集上表明，SIGMA的有效性。代码已提供：https://github.com/libeibei95/SIGMA
引用
@article{arxiv.2502.16140,
title = {Semantic Gaussian Mixture Variational Autoencoder for Sequential Recommendation},
author = {Beibei Li and Tao Xiang and Beihong Jin and Yiyuan Zheng and Rui Zhao},
journal= {arXiv preprint arXiv:2502.16140},
year = {2025}
}
备注
Accepted by DASFAA 2025