基于多关系 Transformer 利用辅助物品关系的序列推荐
信息检索
2022-11-01 v2 人工智能
机器学习
摘要
序列推荐（SR）对用户动态建模，并基于用户历史预测下一偏好物品。现有 SR 方法对序列中观测到的“曾先前交互”物品—物品转移建模，可视为一种物品关系。然而，现实场景中存在多种辅助物品关系，例如来自相似品牌与具有相似内容的物品。辅助物品关系以多种不同语义描述物品—物品亲和性，并缓解推荐中长期存在的冷启动问题。然而，在 SR 中建模辅助物品关系仍是一项重大挑战。为同时建模序列中的高阶物品—物品转移与辅助物品关系，我们提出一种能够对 SR 建模辅助物品关系的多关系 Transformer（MT4SR）。具体而言，我们提出一种新颖的自注意力模块，其融入任意物品关系并相应加权。其次，我们用一种新颖正则化模块规范序列内物品关系以监督注意力计算。第三，对序列间物品关系对，我们引入一种新颖的序列间相关物品建模模块。最后，我们在四个基准数据集上实验，证明 MT4SR 相对于最先进方法的有效性及对冷启动问题的改善。代码见 https://github.com/zfan20/MT4SR。
引用
@article{arxiv.2210.13572,
title = {Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer},
author = {Ziwei Fan and Zhiwei Liu and Chen Wang and Peijie Huang and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2210.13572},
year = {2022}
}
备注
Accepted to BigData 2022. The code is at https://github.com/zfan20/MT4SR