推荐系统的通用序列表示学习

KDDJun, 2022

Towards Universal Sequence Representation Learning for Recommender Systems

Yupeng Hou, Shanlei Mu, Wayne Xin Zhao, Yaliang Li, Bolin Ding...

TL;DR提出了一种名为 UniSRec 的序列表示学习方法，利用与物品相关的描述文本来学习跨不同场景或平台的可转移表示，其中包括轻量级物品编码体系结构和多域负数采样的对比预训练任务。通过预训练的模型将有效地转移到新的推荐领域或平台，在真实世界的数据集上进行的广泛实验表明了该方法的有效性。

Abstract

In order to develop effective sequential recommenders, a series of sequence representation learning (SRL) methods are proposed to model historical user behaviors. Most existing SRL methods rely on explicit item IDs for developing the sequence models to better capture user preference. T

sequential recommenders sequence representation learning unisrec universal item representations universal sequence representations

发现论文，激发创造

MISSRec：用于推荐的预训练和迁移多模态兴趣感知序列表示

该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐，以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-based 的编码器 - 解码器模型和动态融合模块，MISSRec 能够实现更鲁棒且可迁移的序列表示，该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

Aug, 2023

UniRec：顺序推荐中统一性和频度的双重提升

UniRec 是一个新颖的双向增强顺序推荐方法，利用序列一致性和物品频率来提高性能，特别是在表示不均匀序列和低频物品方面；与其他先进模型相比，在四个数据集上表现显著优越。

Jun, 2024

利用大型语言模型进行推荐的表示学习

通过整合大型语言模型与推荐系统的表示学习，我们提出了一个模型不可知的框架 RLMRec，旨在增强现有的推荐器，并提高其对于用户行为和偏好的语义理解，同时通过交叉视角对齐框架，将 LLM 的语义空间与协同关系信号的表示空间相对应。

Oct, 2023

SLMRec: 增强小型语言模型在顺序推荐任务中的能力

本文通过在大规模行业数据集上进行广泛实验，发现大多数 LLMs 的中间层是多余的，并提出了一种名为 SLMRec 的基于小型语言模型的推荐模型，仅使用 LLM-based 推荐模型中 13% 的参数，同时在训练和推断时间成本上实现了高达 6.6 倍和 8.0 倍的加速。

May, 2024

当搜索遇见推荐：为推荐学习解耦搜索表示

本文提出了一个基于搜索的框架，即 SESRec，用于为顺序推荐提供支持。在该框架中，用户 S＆R 行为的相似和不同表示的区分是通过对 S＆R 行为序列的对比学习任务进行监督来实现的，该任务旨在从三个方面从注意力机制中提取用户兴趣。在工业和公共数据集上的广泛实验表明，SESRec 始终优于现有的其他模型，并且它成功地从 S＆R 行为中分离了相似和不同的用户兴趣。

May, 2023

可转移的序列推荐学习向量量化物品表示

本文提出了一个新的方法 VQ-Rec，使用基于向量量化的项目表示方法作为可转移的顺序推荐系统，并使用半合成和混合域代码表示作为硬负面来增强对比预训练方法。在六个公共基准测试中进行的广泛实验证明了这种方法在跨领域和跨平台设置中的有效性。

Oct, 2022

DELRec: 提炼序列模式以增强基于 LLM 的推荐

提出了 DELRec 框架，通过两种策略提取 SR 模型展示的行为模式，从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。

Jun, 2024

UPRec: 面向用户的推荐系统预训练

本文提出了一种名为 UPRec 的方法，通过构建自监督任务来利用用户属性和结构化社交图形，并将用户信息整合到预训练模型中，为用户提供更合适的推荐。

Feb, 2021

自监督强化学习用于推荐系统

本文中提出了一种自我监督强化学习算法来弥补监督式推荐算法的不足，为仍处于离线状态的推荐者提供强大的梯度信号支持，其中包括两个输出层；一个用于自我监督，另一个用于强化学习，从而实现顾虑到长期用户参与度以及多种用户 - 项目交互等因素的推荐任务。

Jun, 2020

精确推荐的端到端图序列表示学习

该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

Mar, 2024