文本匹配通过降低流行度偏差改进序列推荐
信息检索
2023-08-29 v1 人工智能
摘要
本文提出基于文本匹配的序列推荐模型（TASTE），该模型将物品与用户映射至嵌入空间，并通过匹配文本表示来推荐物品。TASTE 利用物品的标识符与属性将物品及用户-物品交互文本化。为更好地刻画用户行为，TASTE 额外提出一种注意力稀疏方法，通过减少编码过程中的自注意力计算，使 TASTE 能够建模更长的用户-物品交互。我们的实验表明，TASTE 在广泛使用的序列推荐数据集上优于最先进的方法。TASTE 通过全文本建模表示长尾物品，并将预训练语言模型的优势引入推荐系统，从而缓解冷启动问题。我们的进一步分析说明，TASTE 通过降低先前基于物品 id 的推荐模型的流行度偏差，并返回更合适且文本相关的物品以满足用户，显著提升了推荐准确性。所有代码可在 https://github.com/OpenMatch/TASTE 获取。
引用
@article{arxiv.2308.14029,
title = {Text Matching Improves Sequential Recommendation by Reducing Popularity Biases},
author = {Zhenghao Liu and Sen Mei and Chenyan Xiong and Xiaohua Li and Shi Yu and Zhiyuan Liu and Yu Gu and Ge Yu},
journal= {arXiv preprint arXiv:2308.14029},
year = {2023}
}
备注
Accepted by CIKM 2023