MISSRec：用于推荐的预训练和迁移多模态兴趣感知序列表示

MMAug, 2023

MISSRec：用于推荐的预训练和迁移多模态兴趣感知序列表示

MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation

Jinpeng Wang, Ziyun Zeng, Yunxiao Wang, Yuting Wang, Xingyu Lu...

TL;DR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。

Abstract

The goal of sequential recommendation (SR) is to predict a user's potential interested items based on her/his historical interaction sequences. Most existing sequential recommenders are developed based on ID features, which, despite their widespread use, often underperform with sparse

sequential recommendation multi-modal information transfer learning pre-training recommendation scenarios

发现论文，激发创造

TransRec：从混合模态反馈中学习可转移的推荐

通过混合模态反馈实现端到端训练的信息转移神经网络，从而实现基于原始特征的推荐系统，并在四种不同的真实世界推荐设置中评估了其传递能力，为实现通用的推荐系统提供了一种有前途的方法。

Jun, 2022

推荐系统的通用序列表示学习

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。

Jun, 2022

BiVRec: 双向基于视图的多模态顺序推荐

提出了一种创新的框架 BivRec，通过联合训练 ID 和多模态视图的推荐任务，使推荐性能实现双向增强。该框架利用多尺度兴趣嵌入和交叉视图兴趣学习等模块，解决了信息异质性问题，并在五个数据集上取得了最先进的性能。

Feb, 2024

多模态推荐的对齐和训练框架

通过系统调查多模态推荐中的对齐问题，本文提出了一种名为 AlignRec 的解决方案，由内容内部对齐、内容与分类 ID 之间的对齐，以及用户与项目之间的对齐这三个目标函数组成，将其融入到我们的多模态推荐框架中，并通过实验证明了 AlignRec 相对于其他九种基线方法的优越性。

Mar, 2024

S^3-Rec: 自监督学习与互信息最大化在序列推荐中的应用

提出了一种基于神经网络架构和自监督学习的序列推荐模型 S^3-Rec，通过最大化互信息的原理学习属性、项目、子序列和序列之间的相关性，从而充分利用内在数据关联提高模型表示能力，经实验证明，在数据稀疏的条件下，该方法优于现有最先进的方法，且可以推广到其他推荐模型。

Aug, 2020

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

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

多关系转换器辅助项关系下的顺序推荐

对于顺序推荐中的辅助物品关系，提出了一个基于多关系变形器的顺序推荐方法进行建模，并通过实验表明其在冷启动问题等方面的有效性。

Oct, 2022

MISS: 多兴趣自监督学习框架用于点击率预测

提出了一种基于 Multi-Interest Self-Supervised learning 的 CTR 预测框架，使用 CNN-based multi-interest extractors 提取不同兴趣表示中的自监督信号，并应用对比学习损失来提高特征表示学习。实验证明，该框架可以有效应用于现有 CTR 预测模型中并显著提高性能。

Nov, 2021