基于意图的偏好学习网络，用于个性化会话推荐

《ACM Transactions on Recommender Systems》：Intention-sensitive Preference Learning Network for Personalized Session-based Recommendation

会话推荐系统需兼顾动态变化的用户意图与偏好。本文提出IPLN模型，通过意图识别器解析当前会话意图，结合历史会话的潜在特征，由偏好检测器学习意图关联的偏好，并利用用户通用偏好降噪，最终在预测层输出推荐结果。实验证明IPLN在真实数据集上表现优于现有方法。

　　

摘要

如今，基于会话的推荐系统（SRSs）的研究是推荐领域中的热点之一。现有的方法主要根据用户在一个会话中的当前意图（也称为短期偏好）来提供推荐，往往忽略了与这些意图相关的具体偏好。实际上，用户对于不同的意图通常表现出多样的偏好，即使对于相同的意图，不同用户之间的偏好也可能存在显著差异。随着用户在会话中与物品互动，他们的意图也会相应地发生变化。为了提高推荐质量，不仅要考虑用户的意图，还要动态地学习这些意图变化时的偏好变化。在本文中，我们提出了一种新颖的、对用户意图敏感的推荐学习网络（IPLN），该网络包括三个主要模块：意图识别器（intention recognizer）、偏好检测器（preference detector）和预测层（prediction layer）。具体来说，意图识别器通过分析物品之间的复杂关系来推断用户当前会话中的潜在意图。基于获取的意图，偏好检测器通过选择性地整合用户历史会话中的物品特征来学习与意图相关的具体偏好。此外，还会利用用户的整体偏好来细化所得到的偏好，以减少来自历史记录的潜在噪声。最终，经过微调的偏好和意图会在预测层中共同指导下一个物品的推荐。为了证明所提出的IPLN的有效性，我们在两个真实世界的数据集上进行了广泛的实验。实验结果表明，IPLN优于其他现有的最先进模型。