序列推荐的意图对比学习

Feb, 2022

Intent Contrastive Learning for Sequential Recommendation

Yongjun Chen, Zhiwei Liu, Jia Li, Julian McAuley, Caiming Xiong

TL;DR介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

Abstract

Users' interactions with items are driven by various intents (e.g., preparing for holiday gifts, shopping for fishing equipment, etc.).However, users' underlying intents are often unobserved/latent, making it challenging to leverage such latent intents forSequentialrecommendation(SR). To investigate the benefits of latent intents and leverage them effectivel

intent contrastive learning latent variable sequential recommendation self-supervised learning user intent

发现论文，激发创造

基于多意图解耦的序列推荐对比学习方法

我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

Apr, 2024

基于端到端学习的推荐意图聚类

通过 ELCRec 方法，我们将表示学习与聚类优化相结合，实现了推荐中端到端可学习的聚类框架，提高了推荐性能并克服了现有方法中的挑战。

Jan, 2024

序列推荐的对比学习

提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

Oct, 2020

面向会话推荐的自对比学习

本研究提出自我对比学习算法，并将其应用于会话推荐问题中，以优化物品表示空间的均匀度和减少模型复杂度，进而实现比之前的算法更好的预测性能。研究证明，该算法不需要额外的采样和数据增强操作，并在三个基准数据集上得到了统计上显著的性能提升。

Jun, 2023

利用图形对比学习增强序列推荐

该文提出了一种新的推荐框架，名为序列推荐的图对比学习（GCL4SR），它使用一种称为加权项目转换图（WITG）的模型，建立在所有用户的交互序列上，通过使用 WITG 子图来增强每个交互序列的表示和最大化同一交互序列引导的增强表示之间的一致性，最小化 WITG 全局上下文引导的增强表示和原始序列本地表示之间的差异，并在真实世界数据集上展示显着优于现有方法的性能。

May, 2022

利用意图感知多样化改善端到端顺序推荐

提出了一种名为 IDSR 的端到端神经模型，包括一个隐式意图挖掘模块，可用于捕捉 SRs 中反映在用户行为序列中的不同用户意图，并设计了一个意图感知的多样性促进损失，以在训练期间考虑推荐多样性，从而在推荐多样性方面显着优于其他最先进的方法，并在推荐准确性方面取得可比或更高的性能。

Aug, 2019

多意图对比学习的知识感知多行为推荐

多行为推荐通过基于用户的多样行为（如浏览、加入购物车和购买）提供更准确的选择来优化用户体验。本研究提出一种新颖模型：基于知识感知的多意图对比学习模型（KAMCL），利用知识图谱中的关系构建意图，从意图角度挖掘用户多行为之间的关联，并通过对比学习方案缓解数据稀缺问题，进一步增强用户表示。对三个真实数据集进行广泛实验证明了我们模型的优越性。

Apr, 2024

一种显式联合和监督对比学习框架，用于少样本意图分类和槽位填充

本文提出了一种新颖的显式联合和监督对比学习框架，实现了少样本意图分类和词槽填充，通过构建 episode，允许不平衡的数据集。实验证明，该框架在三个公共数据集上都表现出色。

Oct, 2021

使用预训练和对比学习进行新意图发现

本研究提出一种新的意图发现方法，通过多任务预训练和对比损失优化聚类来学习语义表述以扩展对话系统中支持的意图类别。实验结果表明，该方法在半监督和无监督场景下均优于现有方法。

May, 2022

RecDCL：双重对比学习推荐

通过利用自我监督的推荐算法，本文提出了一种名为 RecDCL 的方法，它采用对比学习，解决了数据稀疏性和特征维度的问题，并在推荐任务中取得了优于现有模型的效果。

Jan, 2024