SPAR：通过长参与注意力实现个性化基于内容的推荐
信息检索
2024-05-24 v2 计算与语言
摘要
利用用户的长参与历史对于个性化内容推荐至关重要。预训练语言模型（PLM）在自然语言处理（NLP）中的成功促使它们被用于编码用户历史和候选物品，将内容推荐构建为文本语义匹配任务。然而，现有工作在处理非常长的用户历史文本以及用户 - 物品交互不足方面仍面临困难。在本文中，我们介绍了一种基于内容的推荐框架 SPAR，它有效地解决了从长用户参与历史中提取整体用户兴趣的挑战。它通过利用 PLM、多注意力层和注意力稀疏机制，以基于会话的方式编码用户历史来实现这一点。用户侧和物品侧特征被充分融合以进行参与预测，同时保持两侧的独立表示，这对于实际模型部署是高效的。此外，我们通过利用大语言模型（LLM）从用户参与历史中提取全局兴趣来增强用户画像。在两个基准数据集上的大量实验表明，我们的框架优于现有的最先进（SoTA）方法。
引用
@article{arxiv.2402.10555,
title = {SPAR: Personalized Content-Based Recommendation via Long Engagement Attention},
author = {Chiyu Zhang and Yifei Sun and Jun Chen and Jie Lei and Muhammad Abdul-Mageed and Sinong Wang and Rong Jin and Sem Park and Ning Yao and Bo Long},
journal= {arXiv preprint arXiv:2402.10555},
year = {2024}
}
备注
Under review