基于空间时间知识蒸馏的外带推荐
机器学习
2025-02-06 v2 信息检索
摘要
外带推荐系统旨在基于用户的历史购买行为推荐用户未来的外带购买，从而提升用户满意度并推动商户销售。现有方法侧重于纳入辅助信息或利用知识图谱来缓解用户购买序列的稀疏性问题。然而，这些方法的两个主要挑战限制了性能：(1) 捕捉复杂地理空间信息上动态用户偏好，(2) 在低计算成本下高效地整合来自图谱和序列数据的空间时间知识。本文提出一种新的空间时间知识蒸馏模型用于外带推荐（STKDRec），基于两个阶段的训练过程。具体而言，在第一个预训练阶段，训练空间时间知识图谱（STKG）编码器，从 STKG 中提取高阶空间时间依赖性和协同关联。在第二个空间时间知识蒸馏（STKD）阶段，采用空间时间 Transformer（ST-Transformer）从序列视角全面建模用户对各种细粒度地理空间信息的动态偏好。此外，引入 STKD 策略将图基空间时间知识传递到 ST-Transformer，促进来自 STKG 和序列数据的丰富知识的自适应融合，同时降低计算开销。在三个真实世界数据集上的大量实验表明，STKDRec显著优于最新方法。
关键词
引用
@article{arxiv.2412.16502,
title = {Spatial-Temporal Knowledge Distillation for Takeaway Recommendation},
author = {Shuyuan Zhao and Wei Chen and Boyan Shi and Liyong Zhou and Shuohao Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2412.16502},
year = {2025}
}
备注
Accepted by AAAI2025