当搜索遇见推荐：为推荐学习解耦的搜索表示
信息检索
2023-05-19 v1 人工智能
摘要
现代在线服务提供商（如在线购物平台）常同时提供搜索与推荐（S&R）服务以满足不同用户需求。鲜有有效手段能融合来自 S&R 两服务的用户行为数据。多数现有方法要么简单地将 S&R 行为分开处理，要么通过聚合两服务数据联合优化，忽视了用户在 S&R 中的意图可能截然不同这一事实。在本文中，我们提出一种用于序列推荐的搜索增强框架（SESRec），通过解耦 S&R 行为中相似与不相似的表示，利用用户搜索兴趣进行推荐。具体而言，SESRec 首先基于用户的查询-条目交互对齐查询与条目嵌入以计算其相似度。两个 transformer 编码器用于独立学习 S&R 行为的上下文表示。随后设计对比学习任务以监督从 S&R 行为序列中解耦相似与不相似表示。最后，我们通过注意力机制从三个视角提取用户兴趣，即上下文表示、包含相似与不相似兴趣的两个分离行为。在工业和公开数据集上的大量实验表明 SESRec 持续优于最先进模型。实证研进一步验证 SESRec 成功从用户 S&R 行为中解耦相似与不相似兴趣。
引用
@article{arxiv.2305.10822,
title = {When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation},
author = {Zihua Si and Zhongxiang Sun and Xiao Zhang and Jun Xu and Xiaoxue Zang and Yang Song and Kun Gai and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2305.10822},
year = {2023}
}
备注
Accecpted by SIGIR 2023