当多级遇见多兴趣：一种用于序列推荐的多粒度神经模型
信息检索
2022-05-04 v1
摘要
序列推荐旨在基于用户的行为历史识别其偏好的下一个物品。相较于利用注意力机制与 RNN 的传统序列模型，近期研究主要沿两个方向改进：多兴趣学习与图卷积聚合。具体而言，以 ComiRec 和 MIMN 为代表的多兴趣方法通过对历史物品聚类来提取用户的不同兴趣；而包括 TGSRec 和 SURGE 在内的图卷积方法则基于历史物品间的多级关联来精炼用户偏好。遗憾的是，二者均未意识到这两类方案可相互补充：通过聚合多级用户偏好，可实现更精确的多兴趣提取以获得更好的推荐。为此，本文提出一种统一的多粒度神经模型（命名为 MGNM），结合多兴趣学习与图卷积聚合。具体地，MGNM 首先学习用户历史物品的图结构与信息聚合路径，随后以迭代方式进行图卷积以导出物品表示，从而良好捕捉不同层级的复杂偏好。之后，提出一种新颖的序列胶囊网络，将序列模式注入多兴趣提取过程，以多粒度方式实现更精确的兴趣学习。
引用
@article{arxiv.2205.01286,
title = {When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation},
author = {Yu Tian and Jianxin Chang and Yannan Niu and Yang Song and Chenliang Li},
journal= {arXiv preprint arXiv:2205.01286},
year = {2022}
}
备注
10 pages, 7 figures