现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题,针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型(side-information integrated sequential recommendation model based on multi-sequence inter...现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题,针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型(side-information integrated sequential recommendation model based on multi-sequence interaction and contrastive learning,MICL)。首先,引入多序列交互注意力机制,对项目序列和侧信息序列构建序列内和序列间的深度关联,从项目和侧信息两个角度捕获用户偏好,生成两个视角的用户表示。其次,采用用户表示优化模块,结合动态难负样本采样策略构建正负样本对,利用自监督信号优化用户表示。最后,通过多任务动态权重调整策略在推荐任务与属性预测任务之间实现动态平衡优化目标,提升模型的鲁棒性和泛化能力。在Beauty、Sports、Toys和Yelp四个公共数据集上进行实验,与效果较好的基线模型相比,MICL的召回率(recall)和归一化折损率(NDCG)平均提升了1.63%和2.35%,验证了MICL对学习和优化用户表示方面的有效性。展开更多
文摘现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题,针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型(side-information integrated sequential recommendation model based on multi-sequence interaction and contrastive learning,MICL)。首先,引入多序列交互注意力机制,对项目序列和侧信息序列构建序列内和序列间的深度关联,从项目和侧信息两个角度捕获用户偏好,生成两个视角的用户表示。其次,采用用户表示优化模块,结合动态难负样本采样策略构建正负样本对,利用自监督信号优化用户表示。最后,通过多任务动态权重调整策略在推荐任务与属性预测任务之间实现动态平衡优化目标,提升模型的鲁棒性和泛化能力。在Beauty、Sports、Toys和Yelp四个公共数据集上进行实验,与效果较好的基线模型相比,MICL的召回率(recall)和归一化折损率(NDCG)平均提升了1.63%和2.35%,验证了MICL对学习和优化用户表示方面的有效性。
