“一刀切”并不适用：基于自适应兴趣表示的多兴趣推荐方法

《ACM Transactions on Recommender Systems》：One Size Does Not Fit All: Adaptive Interest Representation Learning for Multi-interest Recommendation

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级账户权限。

了解更多 登录

摘要

摘要

顺序推荐（SR）通过建模用户历史行为序列中的上下文模式来预测用户的下一步交互。SR领域的最新进展引入了多兴趣模型，这些模型使用多个向量来表示用户的多样化兴趣。然而，现有方法将兴趣向量的数量预先定义为超参数，这限制了它们对实际情景的适应性，在实际情景中用户的兴趣数量各不相同。我们的实验表明，这种固定数量的兴趣表示方法存在严重的局限性：对于兴趣简单的用户会导致过拟合，对于兴趣复杂的用户则会导致欠拟合，并且缺乏兴趣优先级处理。为了解决这些问题，我们提出了自适应兴趣表示学习方法（AirRec），这是一种两阶段框架，可以针对每个用户的行为序列动态调整兴趣表示的数量。具体来说，第一阶段侧重于兴趣基础的建设：为了弥补辅助信息的不足，我们将项目共现数据分解以提取原子兴趣，这些原子兴趣作为兴趣表示的基本单元。在第二阶段，我们进行用户适应性兴趣建模，仅保留与用户交互历史相关的原子兴趣，以过滤掉噪声并推断出实际的兴趣数量。然后，选定的原子兴趣被聚合成每个用户序列的个性化、自适应大小的兴趣表示。整个过程设计为支持并行计算，从而确保了训练和推理的效率。在三个基准数据集上的实验表明，与最先进的方法相比，AirRec将NDCG@20提高了14.94%，将NDCG@50提高了24.73%。源代码可在https://github.com/yaokunliu/AirRec.git获取。

AI摘要

AI生成摘要（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。它旨在帮助读者发现内容、评估相关性，并辅助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是论文的官方总结。全文仍然是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和有用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级账户权限。