WSDMDec, 2023
基于代理的属性和上下文感知推荐的物品表示
Proxy-based Item Representation for Attribute and Context-aware Recommendation
Jinseok Seol, Minseok Gang, Sang-goo Lee, Jaehui Park
TL;DR在推荐系统中，神经网络方法以可学习的向量嵌入表的形式表现大量条目，然而，在属性和上下文感知的设置中，不经常出现的条目可能会由于训练机会不足导致学习到的嵌入表示无意义，因此我们提出了一种基于代理的条目表示方法来解决这个问题，该方法通过代理权重根据每个条目的属性和上下文将条目表示为可学习的代理嵌入的加权求和，并且可以根据频繁出现的条目进一步反映合作信号，该方法通过组合计算条目表示，确保每个表示位于训练充分的单纯形内，从而获得保证质量，另外，代理嵌入在所有条目之间共享，使得不经常出现的条目能够在统一的模型结构和端到端的方式下借用频繁出现的条目的训练信号，我们的方法可以替换任何基于神经网络的推荐模型的条目编码层，同时在参数使用更小的情况下持续提高推荐性能，实验结果表明，我们的模型在实际推荐数据集上比现有模型提高了高达 17% 的推荐准确性，而只使用了 10% 的参数。