面向轻量级跨域序列推荐的外注意力增强图卷积网络
信息检索
2023-04-18 v1 人工智能
机器学习
摘要
跨域序列推荐（CSR）是一项新兴且具挑战性的任务，通过建模重叠用户来自多个域的交互来刻画其行为模式演化。现有CSR研究主要关注使用复合或深层结构，在准确率上取得显著提升，却给模型训练带来巨大负担。此外，为学习用户特定序列表示，现有工作通常采用全局相关性加权策略（如自注意力机制），其计算复杂度为二次方。本文中，我们引入一种轻量级外注意力增强的基于GCN的框架以解决上述挑战，即LEA-GCN。具体而言，通过仅保留邻域聚合组件并使用单层聚合协议（SLAP），我们的轻量级GCN编码器更高效地从两域捕获物品的协同过滤信号。为进一步精简框架结构并聚合用户特定序列模式，我们设计了一种新颖的双通道外注意力（EA）组件，通过轻量级线性结构计算所有物品间的相关性。在两份真实数据集上的大量实验表明，与若干SOTA方法相比，LEA-GCN在不受影响准确率的前提下所需模型体积更小、训练时间更少。
引用
@article{arxiv.2302.03221,
title = {Towards Lightweight Cross-domain Sequential Recommendation via External Attention-enhanced Graph Convolution Network},
author = {Jinyu Zhang and Huichuan Duan and Lei Guo and Liancheng Xu and Xinhua Wang},
journal= {arXiv preprint arXiv:2302.03221},
year = {2023}
}
备注
16 pages, 4 figures, conference paper, accepted by DASFAA 2023