WSLRec：面向神经序列推荐模型的弱监督学习
信息检索
2022-03-01 v1 机器学习
摘要
学习隐式反馈数据中隐藏的用户-物品相关性在现代推荐系统中起着重要作用。神经序列推荐模型将学习用户-物品相关性表述为序列分类问题，基于用户历史行为区分未来行为中的物品与其他物品，因其重要的实用价值在工业界和学术界引起了广泛关注。尽管取得了许多实际成功，我们认为隐式反馈数据中用户行为固有的{\bf 不完整性}和{\bf 不准确性}被忽视了，并进行了初步实验以支持我们的观点。受无模型方法如行为重定向（BR）和基于物品的协同过滤（ItemCF）与神经序列推荐模型命中用户-物品相关性不同部分的观察启发，我们提出了一种名为WSLRec的新颖模型无关训练方法，其采用三阶段框架：预训练、top-挖掘和微调。WSLRec通过在来自BR和ItemCF等无模型方法的额外弱监督上预训练模型来解决不完整性问题，同时利用top-挖掘从弱监督中筛选出可靠的用户-物品相关性进行微调，以解决不准确性问题。在两个基准数据集上的实验和在线A/B测试验证了我们的观点合理性并展示了WSLRec的有效性。
引用
@article{arxiv.2202.13616,
title = {WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models},
author = {Jingwei Zhuo and Bin Liu and Xiang Li and Han Zhu and Xiaoqiang Zhu},
journal= {arXiv preprint arXiv:2202.13616},
year = {2022}
}
备注
9 pages