UniRec：统一性与频率在顺序推荐中的双重增强
信息检索
2024-07-17 v3 机器学习
摘要
顺序推荐中的表示学习对于准确建模用户交互模式和提高推荐精度至关重要。然而，现有方法主要强调项目之间的项目-项目转换，往往忽视了用户交互之间的时间间隔，这些间隔与行为模式变化密切相关。此外，更广泛的交互属性，如项目频率，常被忽视。我们发现，时间间隔更均匀的序列以及更高频率的项目会产生更好的预测性能。相反，非均匀序列加剧用户兴趣漂移，较不频繁的项目由于稀疏抽样而难以建模，呈现独特挑战且当前方法不充分解决。本文提出了 UniRec，一种新的双向增强顺序推荐方法。UniRec 利用序列均匀性和项目频率来增强性能，特别是提高了非均匀序列和较不频繁项目的表示。这两个分支相互强化，驱动复杂顺序推荐场景中的综合性能优化。此外，我们提出了多维时间模块进一步增强适应性。到目前为止，UniRec 是首次利用均匀性和频率特征进行特征增强的方法。在本文中，我们在四个数据集上与十一个先进模型进行比较，证明 UniRec 显著优于 SOTA 模型。代码已公开于 https://github.com/Linxi000/UniRec。
引用
@article{arxiv.2406.18470,
title = {UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations},
author = {Yang Liu and Yitong Wang and Chenyue Feng},
journal= {arXiv preprint arXiv:2406.18470},
year = {2024}
}
备注
15 pages, 8 figures, accepted by CIKM'24, for source code, see https://github.com/Linxi000/UniRec