短视频序列推荐中被动负反馈的理解与建模
信息检索
2023-08-09 v1
摘要
序列推荐是推荐系统中最重要的任务之一，旨在以历史行为为输入推荐下一个交互物品。传统序列推荐主要考虑收集到的正反馈如点击、购买等。然而，在TikTok等短视频平台中，视频观看行为未必代表正反馈。具体而言，视频自动播放，用户被动接收推荐视频。在这一新场景下，用户通过跳过不喜欢的视频被动表达负反馈，这提供了关于其偏好的有价值信息。不同于传统推荐系统研究的负反馈，此种被动负反馈能反映用户兴趣，并可作为提取用户偏好时的重要监督信号。因此，在这一新颖推荐场景中精心设计并利用它至关重要。本工作中，我们首先基于大规模真实世界短视频行为数据集进行分析，阐明利用被动反馈的重要性。随后提出一种新方法，部署子兴趣编码器，将正反馈与被动负反馈作为监督信号以学习用户当前活跃子兴趣。此外，我们引入自适应融合层以有效整合各子兴趣。为增强模型鲁棒性，我们进而引入多任务学习模块，同时优化两类反馈——被动负反馈与传统随机采样负反馈。在两个大规模数据集上的实验验证了所提方法显著优于SOTA方法。代码发布于https://github.com/tsinghua-fib-lab/RecSys2023-SINE。
引用
@article{arxiv.2308.04086,
title = {Understanding and Modeling Passive-Negative Feedback for Short-video Sequential Recommendation},
author = {Yunzhu Pan and Chen Gao and Jianxin Chang and Yanan Niu and Yang Song and Kun Gai and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2308.04086},
year = {2023}
}
备注
Accepted by RecSys'23