基于多任务产品知识图谱预训练的零样本基于物品的推荐
信息检索
2023-05-15 v1 人工智能
机器学习
摘要
现有推荐系统在面对零样本物品（即在训练阶段与用户无历史交互的物品）时存在困难。尽管近期工作通过预训练语言模型（PLM）提取通用物品表示，却忽略了关键的物品关系。本文针对零样本基于物品的推荐（ZSIR）任务提出一种新范式，该范式在产品知识图谱（PKG）上预训练模型，以精炼来自 PLM 的物品特征。我们识别出 PKG 预训练的三个挑战：PKG 中的多类型关系、物品通用信息与其关系间的语义偏差，以及从 PKG 到下游 ZSIR 任务的领域差异。我们通过提出四项预训练任务与新颖的任务导向适配（ToA）层来应对这些挑战。此外，本文讨论了如何在新推荐任务上微调模型，使 ToA 层适配 ZSIR 任务。我们在 18 个市场数据集上进行了综合实验，以验证所提模型在知识预测与 ZSIR 任务中的有效性。
引用
@article{arxiv.2305.07633,
title = {Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training},
author = {Ziwei Fan and Zhiwei Liu and Shelby Heinecke and Jianguo Zhang and Huan Wang and Caiming Xiong and Philip S. Yu},
journal= {arXiv preprint arXiv:2305.07633},
year = {2023}
}
备注
11 pages