用于推荐的马瑞奥什卡（Matryoshka）表示学习方法：结合层适应性和难度自适应的负样本抽取

《ACM Transactions on Intelligent Systems and Technology》：Matryoshka Representation Learning for Recommendation with Layer- and Hardness-Adaptive Negative Sampling

用户偏好和物品特征具有层次化特性，传统推荐系统方法未有效捕捉这一特征。本文提出MRL4Rec方法，通过构建嵌套向量空间实现分层表示，并设计LHANS机制优化三元组采样，实验证明在多个真实数据集上显著优于现有方法。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

表示学习对于基于深度神经网络的推荐系统至关重要，它能够利用固定维度的用户向量和项目向量来捕捉用户偏好和项目特征。与现有的表示学习方法不同，这些方法要么将每个用户偏好和项目特征统一处理，要么将它们分类到离散的簇中。我们认为，在现实世界中，用户偏好和项目特征是以层次化的方式自然表达和组织的，这为表示学习开辟了一个新的方向。

在本文中，我们提出了一种新颖的套娃式表示学习方法用于推荐（MRL4Rec），通过该方法，我们将用户向量和项目向量重构为具有嵌套向量空间的套娃式表示，以明确表示不同层次的用户偏好和项目特征。我们从理论上证明了，使用相同的三元组对每个切片向量进行训练无法保证获得具有层次结构的表示。随后，我们提出了分层和难度自适应负采样（LHANS）机制来构建训练三元组，这进一步确保了学习到的套娃式表示在捕捉层次化用户偏好和项目特征方面的有效性。实验表明，MRL4Rec 在多个真实数据集上能够持续且显著地优于许多现有的竞争算法。我们的代码可在https://github.com/Riwei-HEU/MRL公开获取。

AI 摘要

AI 生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是文章的官方总结。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

要查看此由 AI 生成的简单语言摘要，您必须具有高级访问权限。