SimRec：通过整合物品相似度缓解序列推荐中的冷启动问题
信息检索
2024-10-30 v1
摘要
序列推荐系统在处理交互数量有限的冷启动物品时，常常难以做出预测或采取行动。在这项工作中，我们提出了 SimRec——一种缓解序列推荐系统中冷启动问题的新方法。SimRec 通过利用物品间的固有相似度来应对这一挑战，通过定制的损失函数将物品相似度整合到训练过程中。重要的是，这种增强是在相同的模型架构和相同数量的可训练参数下实现的，从而保证了相同的推理时间，并且只需极少的额外工作。这种新颖的方法产生了一个鲁棒的上下文序列推荐模型，能够有效处理稀有物品，包括那些在训练期间未明确见过的物品，从而提升了整体推荐性能。在多个数据集上针对多个基线进行的严格评估展示了 SimRec 的优越性，特别是在训练数据中出现次数少于 10 次的物品场景中。实验显示，与 SASRec 相比，SimRec 的 HR@10 指标提升高达 78%。值得注意的是，SimRec 在稀疏数据集上优于强大的基线，同时在密集数据集上提供了相当的性能。我们的代码可在 https://github.com/amazon-science/sequential-recommendation-using-similarity 获取。
引用
@article{arxiv.2410.22136,
title = {SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity},
author = {Shaked Brody and Shoval Lagziel},
journal= {arXiv preprint arXiv:2410.22136},
year = {2024}
}
备注
ACM RecSys 2024 Workshop on Context-Aware Recommender Systems