跳出盒子思考：面向群体推荐的超立方体表示学习
信息检索
2022-12-06 v3
摘要
作为传统个性化推荐的进一步步骤，群体推荐是向一组用户推荐可满足该群体物品的任务。在群体推荐中，核心在于设计偏好聚合函数以获得所有群体成员偏好的高质量概要。此类用户与群体偏好通常表示为向量空间中的点（即嵌入），多个用户嵌入被压缩为一个以方便群体-物品对的排序。然而，所得作为点的群体表示缺乏足够灵活性与容量来考量多方面的用户偏好。并且，基于点嵌入的偏好聚合较少忠实地反映群体决策过程，其中所有用户不得不在每个嵌入维度上就某一确定值达成一致，而非一个可协商的区间。本文中，我们借助超立方体（即向量空间中包含无数点的子空间）概念提出一种新颖的群体表示。具体地，我们设计超立方体推荐器（CubeRec）以在偏好聚合中自适应地从用户嵌入学习群体超立方体且信息损失最小，并利用改进的距离度量来衡量群体超立方体与物品点之间的亲和性。此外，为缓解群体推荐中长期存在的数据稀疏问题，我们充分利用超立方体的几何表达力，并通过相交两个群体创新地引入自监督。在四个真实世界数据集上的实验验证了 CubeRec 相对于 SOTA 基线的优越性。
引用
@article{arxiv.2204.02592,
title = {Thinking inside The Box: Learning Hypercube Representations for Group Recommendation},
author = {Tong Chen and Hongzhi Yin and Jing Long and Quoc Viet Hung Nguyen and Yang Wang and Meng Wang},
journal= {arXiv preprint arXiv:2204.02592},
year = {2022}
}
备注
SIGIR'22